基于分位数的数据框抽样（pandas）

Question

我有一个数据框，想要根据参数 num_samples 进行抽样。 想要基于年龄在分位数上进行均匀抽样。

例如，如果我的数据框有1000行， num_samples = .5 ，那么我需要抽取500行，但是每个分位数需要抽取125行。

我的数据框的前几条记录如下：

Age  x1 x2 x3
12   1  1  2
45   2  1  3
67   4  1  2
11   3  4  10
18   9  7  6
45   3  5  8
78   8  4  7
64   6  2  3
33   3  2  2

我该如何在Python/Pandas中实现这个功能？

- Eisen

---

分位数意味着4个范围 [0-25), [25-50), [50-75), [75-100)？ - Amit Vikram Singh

是的！没错，我应该澄清一下。 - Eisen

如果您已经尝试过，请分享您尝试过的代码，可以吗？ - David Erickson

我认为那些被称为“四分位数”，而不是“分位数”。 - Quang Hoang

Answer 1

创建一个按列分位数的列，其中列名为Age1，然后使用布尔掩码和重采样从每个箱中进行抽样，使用pd.concat将获取每个箱子的样本连接起来。

labels = ['q1', 'q2', 'q3', 'q4']
df['quantile'] = pd.qcut(df.Age, q = 4, labels = labels)

out = pd.concat([df[df['quantile'].eq(label)].sample(1) for label in labels])

输出：

>>> out
   Age  x1  x2  x3 quantile
4   18   9   7   6       q1
8   33   3   2   2       q2
7   64   6   2   3       q3
2   67   4   1   2       q4

附注：如果要对n个样本进行采样，请将sample(1)更改为sample(n)。

- Amit Vikram Singh

---

分位数应该是0百分位、25百分位、50百分位等。截止点应该是原始数字0、25、50等。 - Eisen

Answer 2

从 Pandas 1.1.0 开始，有 groupby().sample 可以做到这样的事情：

df.groupby(pd.qcut(df.Age, duplicates='drop')).sample(frac=0.5)

- Quang Hoang