我想通过从其余列中随机采样数据来创建新列。
考虑如下具有“ N”列的数据框:
|---------------------|------------------|---------------------|
| Column 1 | Column 2 | Column N |
|---------------------|------------------|---------------------|
| 0.37 | 0.8 | 0.0 |
|---------------------|------------------|---------------------|
| 0.0 | 0.0 | 0.8 |
|---------------------|------------------|---------------------|
结果数据框应该看起来像
|---------------------|------------------|---------------------|---------------|
| Column 1 | Column 2 | Column N | Sampled |
|---------------------|------------------|---------------------|---------------|
| 0.37 | 0.8 | 0.0 | 0.8 |
|---------------------|------------------|---------------------|---------------|
| 0.0 | 0.0 | B | B |
|---------------------|------------------|---------------------|---------------|
| A | 5 | 0.8 | A |
|---------------------|------------------|---------------------|---------------|
通过随机选择“ N”列的相应条目之一来创建“已采样”列的条目。例如,从第2列中选择“ 0.8”,从第N列中选择“ B”,依此类推。
df.sample(axis=1)
仅选择一列并返回它。这不是我想要的。
最快的方法是什么?该方法必须高效,因为原始数据帧很大,有很多行和列。
答案 0 :(得分:5)
您可以使用基础的numpy
数组并为每行选择一个随机索引。
u = df.values
r = np.random.randint(0, u.shape[1], u.shape[0])
df.assign(Sampled=u[np.arange(u.shape[0]), r])
Column 1 Column 2 Column N Sampled
0 0.37 0.8 0.0 0.37
1 0.0 0.0 B B
2 A 5.0 0.8 A
答案 1 :(得分:5)
熊猫基地lookup
+ sample
s=df.columns.to_series().sample(len(df),replace = True)
df['New']=df.lookup(df.index,s)
df
Out[177]:
Column1 Column2 ColumnN New
0 0.37 0.8 0.0 0.8
1 0.0 0.0 B B
2 A 5.0 0.8 A
答案 2 :(得分:2)
一个选择是沿行apply
np.random.choice
到数据框。这可能会或可能不会为您提供所需的性能,但是我由您自己决定
设置:DF具有4列11000行
df=pd.DataFrame({'a':[np.random.rand() for i in range(11000)],'b':[np.random.rand() for i in range(11000)],
'c':[np.random.rand() for i in range(11000)],'d':[np.random.rand() for i in range(11000)]})
%timeit df['e']=df.apply(lambda x: np.random.choice(x), axis=1)
193 ms ± 28 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
其他基准:
在lambda中添加x.values
似乎可以将速度提高大约20%。但是,@ wen-ben的解决方案在相同数据帧上对此方法进行了100倍的改进
1.91 ms ± 155 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
根据要求,这是user3483203回答的时间安排,可能会更好(我必须对其进行一些处理以使其与时间安排魔术配合使用,所以ymmv)
%%timeit
df1=df.copy()
u = df.values
r = np.random.randint(0, u.shape[1], u.shape[0])
df1=df1.assign(Sampled=u[np.arange(u.shape[0]), r])
590 µs ± 37 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
答案 3 :(得分:2)
from random import choice
df['sample'] = df.apply(lambda x:choice(x.values),axis =1)