- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
假设我有一个这样的数据框
category1 category2 other_col another_col ....
a 1
a 2
a 2
a 3
a 3
a 1
b 10
b 10
b 10
b 11
b 11
b 11
我想从我的数据框中获取一个样本,以便 category1
的次数统一。我假设 category1
中每种类型的数量相同。我知道这可以通过使用 pandas.sample()
的 pandas 来完成。但是,我还想确保我选择的示例也具有同样的 category2
代表。因此,例如,如果我的样本量为 5,我会想要这样的东西:
a 1
a 2
b 10
b 11
b 10
我不想要这样的东西:
a 1
a 1
b 10
b 10
b 10
虽然这是 n=4
的有效随机样本,但它不符合我的要求,因为我想尽可能地改变 category2
的类型。
请注意,在第一个示例中,因为 a
仅被采样了两次,所以 3
并非来自 category2
。这没关系。目标是尽可能统一地表示样本数据。
如果有助于提供更清晰的示例,可以使用类别fruit
、vegetables
、meat
、grains
,垃圾
。在 10 的样本量中,我希望尽可能多地代表每个类别。所以理想情况下,每个 2 个。然后,属于所选类别的这 2 个所选行中的每一行都将具有子类别,这些子类别也尽可能统一地表示。因此,例如,水果可以有 red_fruits、yellow_fruits 等子类别。对于从 10 个水果类别中选择的 2 个水果类别,red_fruits 和 yellow_fruits 都将出现在样本中。当然,如果我们有更大的样本量,我们会包括更多的水果子类别(green_fruits、blue_fruits 等)。
最佳答案
Trick 正在构建平衡阵列。我提供了一种笨拙的方法。然后通过引用平衡数组循环groupby对象采样。
def rep_sample(df, col, n, *args, **kwargs):
nu = df[col].nunique()
m = len(df)
mpb = n // nu
mku = n - mpb * nu
fills = np.zeros(nu)
fills[:mku] = 1
sample_sizes = (np.ones(nu) * mpb + fills).astype(int)
gb = df.groupby(col)
sample = lambda sub_df, i: sub_df.sample(sample_sizes[i], *args, **kwargs)
subs = [sample(sub_df, i) for i, (_, sub_df) in enumerate(gb)]
return pd.concat(subs)
rep_sample(df, 'category1', 5)
关于 python Pandas : conditionally select a uniform sample from a dataframe,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39457762/
假设我有 3 个 DataFrame。其中一个 DataFrame 的列名不在其他两个中。 using DataFrames df1 = DataFrame([['a', 'b', 'c'], [1,
假设我有 3 个 DataFrame。其中一个 DataFrame 的列名不在其他两个中。 using DataFrames df1 = DataFrame([['a', 'b', 'c'], [1,
我有一个 largeDataFrame(多列和数十亿行)和一个 smallDataFrame(单列和 10,000 行)。 只要 largeDataFrame 中的 some_identifier 列
我有一个函数,可以在其中规范化 DataFrame 的前 N 列。我想返回规范化的 DataFrame,但不要管原来的。然而,该函数似乎也会对传递的 DataFrame 进行变异! using D
我想在 Scala 中使用指定架构在 DataFrame 上创建。我尝试过使用 JSON 读取(我的意思是读取空文件),但我认为这不是最佳实践。 最佳答案 假设您想要一个具有以下架构的数据框: roo
我正在尝试从数据框中删除一些列,并且不希望返回修改后的数据框并将其重新分配给旧数据框。相反,我希望该函数只修改数据框。这是我尝试过的,但它似乎并没有做我所除外的事情。我的印象是参数是作为引用传递的,而
我有一个包含大约 60000 个数据的庞大数据集。我会首先使用一些标准对整个数据集进行分组,接下来我要做的是将整个数据集分成标准内的许多小数据集,并自动对每个小数据集运行一个函数以获取参数对于每个小数
我遇到了以下问题,并有一个想法来解决它,但没有成功:我有一个月内每个交易日的 DAX 看涨期权和看跌期权数据。经过转换和一些计算后,我有以下 DataFrame: DaxOpt 。现在的目标是消除没有
我正在尝试做一些我认为应该是单行的事情,但我正在努力把它做好。 我有一个大数据框,我们称之为lg,还有一个小数据框,我们称之为sm。每个数据帧都有一个 start 和一个 end 列,以及多个其他列所
我有一个像这样的系列数据帧的数据帧: state1 state2 state3 ... sym1 sym
我有一个大约有 9k 行和 57 列的数据框,这是“df”。 我需要一个新的数据框:'df_final'- 对于“df”的每一行,我必须将每一行复制“x”次,并将每一行中的日期逐一增加,也就是“x”次
假设有一个 csv 文件如下: # data.csv 0,1,2,3,4 a,3.0,3.0,3.0,3.0,3.0 b,3.0,3.0,3.0,3.0,3.0 c,3.0,3.0,3.0,3.0,3
我只想知道是否有人对以下问题有更优雅的解决方案: 我有两个 Pandas DataFrame: import pandas as pd df1 = pd.DataFrame([[1, 2, 3], [
我有一个 pyspark 数据框,我需要将其转换为 python 字典。 下面的代码是可重现的: from pyspark.sql import Row rdd = sc.parallelize([R
我有一个 DataFrame,我想在 @chain 的帮助下对其进行处理。如何存储中间结果? using DataFrames, Chain df = DataFrame(a = [1,1,2,2,2
我有一个包含 3 列的 DataFrame,名为 :x :y 和 :z,它们是 Float64 类型。 :x 和 "y 在 (0,1) 上是 iid uniform 并且 z 是 x 和 y 的总和。
这个问题在这里已经有了答案: pyspark dataframe filter or include based on list (3 个答案) 关闭 2 年前。 只是想知道是否有任何有效的方法来过
我刚找到这个包FreqTables ,它允许人们轻松地从 DataFrames 构建频率表(我正在使用 DataFrames.jl)。 以下代码行返回一个频率表: df = CSV.read("exa
是否有一种快速的方法可以为 sort 指定自定义订单?/sort!在 Julia DataFrames 上? julia> using DataFrames julia> srand(1); juli
在 Python Pandas 和 R 中,可以轻松去除重复的列 - 只需加载数据、分配列名,然后选择那些不重复的列。 使用 Julia Dataframes 处理此类数据的最佳实践是什么?此处不允许
我是一名优秀的程序员,十分优秀!