Question

假设我有一个想要采样的数据帧

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randint(0,10,size=(100,2)),columns=list('AB'))

如果我们有

s = df.sample(5)
print(s)

我们得到一个长度为5的框架，它向我建议它是随机抽样的索引，然后返回每一行。

但是，如果我跑

 t = df.apply(lambda x: x.sample(5))
 print(t)

我得到一个长度为10的帧，每列被采样5次，并且数据帧在没有相关样本的单元格中返回NaN。为什么这两个函数的行为不同？我希望它们是一样的吗？

似乎df.sample(5)等同于

 df.apply(lambda x: np.random.choice(x,5))

现在如果我对数据帧进行分组。

g = df.groupby('A')

然后g.apply(lambda x: x.sample(2))给了我想要的东西（每组随机抽样2个），但应用与之前相同的等价

 g.apply(lambda x: np.random.choice(x,2))

给我一个ValueError。这是为什么？

Answer 1

默认情况下，

.sample会在被调用时使用随机种子（如果没有指定，则使用随机种子）。

当您执行df.sample(5)时，您将根据单个种子获取5个随机行。但是，当您执行t = df.apply(lambda x: x.sample(5))时，会为每个.sample调用生成一个新种子（例如，每列不同的一个），结果将是N行，表示采样的唯一索引的数量（在你的例子中可能是10但可能更少）。

您可以通过指定要采样的random_state参数来强制所有调用使用相同的随机序列，例如：

df.apply(lambda x: x.sample(5, random_state=42))

这给了你：

与df.sample(5, random_state=42)给你的内容相同。

为什么df.sample和df.apply在这种情况下的工作方式不同？

1 个答案: