加入两个 Pandas 数据帧，从较小的 dataframe 采样

Question

我有两个数据框，如下所示：

import pandas as pd
import io

train_data="""input_example,user_id
example0.npy, jane
example1.npy, bob
example4.npy, alice
example5.npy, jane
example3.npy, bob
example2.npy, bob
"""

user_data="""user_data,user_id
data_jane0.npy, jane
data_jane1.npy, jane
data_bob0.npy, bob
data_bob1.npy, bob
data_alice0.npy, alice
data_alice1.npy, alice
data_alice2.npy, alice
"""

train_df = pd.read_csv(io.StringIO(train_data), sep=",")
user_df = pd.read_csv(io.StringIO(user_data), sep=",")

假设train_df表有数千个条目，即有 1000 个唯一的“exampleN.npy”文件。 我想知道是否有一种直接的方法来合并train_df和user_df表，其中连接表的每一行都与键user_id匹配，但从user_df进行子采样。

这是生成的 dataframe 的一个示例（我正在尝试进行统一采样，因此理论上，有无限可能的结果数据帧）：

>>> result_df
    input_example        user_data   user_id
0    example0.npy   data_jane0.npy      jane
1    example1.npy    data_bob1.npy       bob
2    example4.npy  data_alice0.npy     alice
3    example5.npy   data_jane1.npy      jane
4    example3.npy    data_bob0.npy       bob
5    example2.npy    data_bob0.npy       bob

也就是说， user_data列填充了基于相应user_id的随机选择的文件名。

我知道可以使用一些基于多行 for 循环查询的方法编写此代码，但也许有一种更快的方法使用内置 Pandas 函数，例如“sample”、“merge”、“join”或“combine” ”。

Answer 1

您可以在user_df中按组进行采样，然后将其与train_df一起加入。 例如，

# this samples by fraction so each data is equally likely 
user_df = user_df.groupby("user_id").sample(frac=0.5, replace=True) 

    user_data           user_id
6   data_alice2.npy     alice
4   data_alice0.npy     alice
3   data_bob1.npy       bob
0   data_jane0.npy      jane

或者

# this will sample 2 samples per group
user_df = user_df.groupby("user_id").sample(n=2, replace=True) 

    user_data           user_id
6   data_alice2.npy     alice
4   data_alice0.npy     alice
2   data_bob0.npy       bob
2   data_bob0.npy       bob
0   data_jane0.npy      jane
1   data_jane1.npy      jane

加入

pd.merge(train_df, user_df)

Answer 2

我不知道是否可以在不先合并两者的情况下与样本合并。 这不包括多行 for 循环：

merged = train_df.merge(user_df, on="user_id", how="left").\
    groupby("input_example", as_index=False).\
        apply(lambda x: x.sample(1)).\
            reset_index(drop=True)

1. 将两者合并在一起，在“user_id”上，只取那些出现在左边的
2. 按“input_example”分组，假设这些都是唯一的（其他可以在 train_df 的两列上分组）
3. 为这些取一个大小为 1 的样本
4. 重置索引

合并后的第二个采样意味着具有相同 user_id 的行不一定相同（但首先采样 user_df 会导致 output dataframe 中的所有行都具有相同的 user_id）。

Answer 3

认为我自己想出了一个解决方案，它是单行的，但从概念上讲它与@Rawson 建议的相同。 首先，我进行了左合并，这会产生一个包含许多重复项的表。 然后我将所有行打乱以使其具有随机性。 最后，我删除了重复项。 如果我添加“sort_index”，结果表将与原始表具有相同的顺序。

我可以使用random_state kwarg 来切换使用哪个 user_data 文件。 看这里：

>>> train_df.merge(user_df, on='user_id', how='left').sample(frac=1, random_state=0).drop_duplicates('input_example').sort_index()
   input_example user_id        user_data
1   example0.npy    jane   data_jane1.npy
2   example1.npy     bob    data_bob0.npy
6   example4.npy   alice  data_alice2.npy
8   example5.npy    jane   data_jane1.npy
10  example3.npy     bob    data_bob1.npy
11  example2.npy     bob    data_bob0.npy

>>> train_df.merge(user_df, on='user_id', how='left').sample(frac=1, random_state=1).drop_duplicates('input_example').sort_index()
   input_example user_id        user_data
1   example0.npy    jane   data_jane1.npy
2   example1.npy     bob    data_bob0.npy
4   example4.npy   alice  data_alice0.npy
7   example5.npy    jane   data_jane0.npy
10  example3.npy     bob    data_bob1.npy
12  example2.npy     bob    data_bob1.npy