python - 使 DataFrame 相对于特定列保持平衡

Question

我有一个 Python 中的 DataFrame，如下所示。

  Text  Label
0  abc      0
1  def      1
2  ghi      1
3   .       .
4   .       .
5   .       .

标签为“1”的行有 100 行，标签为“0”的行只有 50 行。我想要一个平衡集，以便有 50 行标签为“0”和 50 行标签为“1”。哪些带有标签“1”的行被丢弃并不重要。

有没有用 Python 写这个的简洁方法？

Answer 1

使用groupby和head:

df = df.groupby('Label').head(50)

这将从 Label 分别为 0 和 1 的行的每个子集中取出前 50 个。对于标签为 1 的行，将选择前 50 个，其余的将被丢弃。

要选择最后 50 个，请将 head(50) 替换为 tail(50)。

要随机选取 50 行，请使用 apply + sample:

df = (df.groupby('Label', as_index=False)
        .apply(lambda x: x.sample(n=50))
        .reset_index(drop=True))

请注意，如果任何组的项目少于 N (=50)，这将不起作用。