Python - Pandas分组随机抽样

Question

我有一个数据框与此非常相似，但包含数千个值：

import numpy as np
import pandas as pd 

# Setup fake data.
np.random.seed([3, 1415])      
df = pd.DataFrame({
    'Class': list('AAAAAAAAAABBBBBBBBBB'),
    'type': (['short']*5 + ['long']*5) *2,
    'image name': (['image01']*2  + ['image02']*2)*5,
    'Value2': np.random.random(20)})

我能找到一种方法，使用以下代码对每个类别和类型的图像进行随机抽样，每个图像抽取2个值：

df2 = df.groupby(['type', 'Class', 'image name'])[['Value2']].apply(lambda s: s.sample(min(len(s),2)))

我得到了以下结果：

我希望找到一种方法来对该表进行子集，以便能够随机选择每种类型和每个类别的一个随机图像（“图像名称”），并保留所选图像的两个值。

期望输出的 Excel 示例：

- Julien

---

你问题的最后一部分不太清楚... 你能解释一下你的意思吗？ - cs95

在上面的示例中（链接“我的表格”），每种类型和每个类别的表格中都有包含2个值的2个图像。 我希望能够通过随机选择一个包含2个值的图像（每种类型和每个类别）来转换表格。在上面的示例中，这意味着随机删除每个条件下的一个图像。在我的真实数据集中，我希望能够随机选择“n”个图像以满足每个条件。 希望这可以帮助您。 - Julien

Answer 1

据我所知，问题在于您不想按图像名称列进行分组，但如果不将该列包含在groupby中，则会丢失此列。

您可以首先创建groupby对象。

gb = df.groupby(['type', 'Class'])

现在你可以使用列表推导式对分组块进行迭代。

blocks = [data.sample(n=1) for _,data in gb]

现在，您可以连接这些块来重构您随机抽样的数据框。

pd.concat(blocks)

---

输出

   Class    Value2 image name   type
7      A  0.817744    image02   long
17     B  0.199844    image01   long
4      A  0.462691    image01  short
11     B  0.831104    image02  short

或者

您可以修改代码并将列image name添加到groupby中，像这样：

df.groupby(['type', 'Class'])[['Value2','image name']].apply(lambda s: s.sample(min(len(s),2)))

                  Value2 image name
type  Class
long  A     8   0.777962    image01
            9   0.757983    image01
      B     19  0.100702    image02
            15  0.117642    image02
short A     3   0.465239    image02
            2   0.460148    image02
      B     10  0.934829    image02
            11  0.831104    image02

---

编辑：保持每组相同的图像

我不确定是否可以避免使用迭代过程来解决这个问题。您可以只循环遍历groupby块，筛选组并选择一个随机图像并保持每组相同名称，然后从剩余的图像中随机抽样，如下：

import random

gb = df.groupby(['Class','type'])
ls = []

for index,frame in gb:
    ls.append(frame[frame['image name'] == random.choice(frame['image name'].unique())].sample(n=2))

pd.concat(ls)

输出

   Class    Value2 image name   type
6      A  0.850445    image02   long
7      A  0.817744    image02   long
4      A  0.462691    image01  short
0      A  0.444939    image01  short
19     B  0.100702    image02   long
15     B  0.117642    image02   long
10     B  0.934829    image02  short
14     B  0.721535    image02  short

- DJK

---

你的第二个例子很完美，但是当我运行它时得到了不同的结果。 例如：对于每个组（类型/类），我从2个不同的图像中获得两个“values2”。我希望每个组都有相同的“图像名称”。 我不知道这是否有意义。 - Julien