我有一个这样的数据帧：
df = pd.DataFrame({'id':[10,20,30,40],'text':['some text','another text','random stuff', 'my cat is a god'],
'A':[0,0,1,1],
'B':[1,1,0,0],
'C':[0,0,0,1],
'D':[1,0,1,0]})
这里我有从A到D的列，但我的实际数据帧有100个值为0和1的列。这个真实的数据帧有10万个反应词。
例如，列A与text的第3行和第4行相关，因为它被标记为1。同样，A与text的第一行和第二行无关，因为它被标记为0。
我需要做的是对这个数据帧进行采样，使其具有相同或大约相同数量的功能。
在这种情况下，特征C只有一个occurrece，所以我需要以这样的方式过滤所有其他列，即我有一个文本带有A，一个text带有B，一个text带有C等等
最好的方法是：例如，我可以使用n=100进行设置，这意味着我希望以一种拥有100条具有所有功能的记录的方式进行采样。
这个数据集是一个多标签数据集训练，非常不平衡，我正在为机器学习任务寻找平衡它的最佳方法。
重要：我不想排除0功能。我只想用1和0有大约相同数量的列
例如。对于具有1k个记录的最终数据集，我希望具有从A到final_column的所有列，以及具有相同编号的1和0的所有这些列。为了实现这一点，我将需要随机丢弃text行并且仅丢弃id。
我尝试的方法是查找具有最低1和0计数的特征，然后使用该值作为阈值。
编辑1:我认为一种可能的方法是使用：
df.sum(axis=0, skipna=True)
然后我可以使用和值最低的列作为阈值来过滤文本列。我不知道如何做这个过滤步骤
感谢
您期望的确切输出尚不清楚，但假设您希望每个字母有1个随机行，则可以重新整形(同时去掉0(并使用GroupBy.sample:
(df
.set_index(['id', 'text'])
.replace(0, float('nan'))
.stack()
.groupby(level=-1).sample(n=1)
.reset_index()
)
注意。如果需要，可以重命名列输出：
id text level_2 0
0 30 random stuff A 1.0
1 20 another text B 1.0
2 40 my cat is a god C 1.0
3 30 random stuff D 1.0