![](/img/trans.png)
[英]Groupby sample pandas with keeping the groups lower than n if applicable
[英]Pandas sample from df keeping balance of groups
让我们生成一些 dataframe:
import pandas as pd
categs = ['cat1'] * 600 + ['cat2'] * 300 + ['cat3'] * 100
subcats = ['sub1', 'sub2', 'sub2', 'sub3', 'sub3', 'sub4', 'sub4', 'sub4', 'sub4', 'sub4'] * 100
subcats[0] = 'subX'
vals = range(1000)
df = pd.DataFrame({
'category': categs,
'subcategory': subcats,
'values': vals
})
因此,让我们按类别和子类别查看行数:
print(df.groupby(['category', 'subcategory']).size())
我们有
>>>
category subcategory
cat1 sub1 59
sub2 120
sub3 120
sub4 300
subX 1
cat2 sub1 30
sub2 60
sub3 60
sub4 150
cat3 sub1 10
sub2 20
sub3 20
sub4 50
dtype: int64
这是 1000 个元素的 dataframe。 cat1 有 600 个元素,cat2 有 300 个元素,cat3 有 100 个元素。 我想要的是将这个 dataframe 从 1000 减少到假设 60 行
1)每个类别都有相同数量的行(在我们的例子中为 20,等于60 /(类别数) )
2)一个类别中每个子类别的比例保持不变
3)如果我们有少量的子类别项目,它仍然保留在类别中(在cat1中只有一个'subX',即使它的比例是cat1的1/600,我们也需要保留它)。
因此,当我们创建新的 df 时,我希望收到如下信息:
print(newdf.groupby(['category', 'subcategory']).size())
category subcategory
cat1 sub1 2
sub2 4
sub3 4
sub4 10
subX 1
cat2 sub1 2
sub2 4
sub3 4
sub4 10
cat3 sub1 2
sub2 4
sub3 4
sub4 10
dtype: int64
在这种情况下,cat1 有 21 个元素,但这没什么大不了的,主要思想是节省了子类别的比例,并且行数在目标数字 20 左右。
您可以找到每个子类别应保留的行数,并仅保留cumcount
低于该数字的行:
# total (approximate) number of rows to keep
n = 60
# number of rows per category
n_per_cat = n / df['category'].nunique()
# number of rows per subcategory
g_subcat = df.groupby(['category', 'subcategory'])
z = g_subcat['category'].size()
n_per_subcat = np.ceil(z / z.sum(level=0) * n_per_cat)
# output
df_out = (df
.assign(i=g_subcat.cumcount())
.merge(n_per_subcat.rename('n').reset_index())
.query('i < n')
.drop(columns=['i', 'n']))
# test
df_out.groupby(['category', 'subcategory']).size()
Output:
category subcategory
cat1 sub1 2
sub2 4
sub3 4
sub4 10
subX 1
cat2 sub1 2
sub2 4
sub3 4
sub4 10
cat3 sub1 2
sub2 4
sub3 4
sub4 10
PS为了让它随机,你当然可以在所有这些之前洗牌 dataframe :
df = df.sample(frac=1)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.