Python數據框基礎操作：DataFrame.sample()方法實例詳解

一、DataFrame.sample()方法概述

Python中的pandas庫提供了一個功能強大的類——DataFrame，該類被廣泛應用於數據幀分析和操作。函數DataFrame.sample()是該類中的一個方法，它通常用於從數據框中隨機抽取樣本。該函數的主要語法如下：

DataFrame.sample(n=None, frac=None, replace=False, weights=None, random_state=None, axis=None)

其中，參數n表示輸出樣本的數量，frac表示輸出樣本的佔比，用0到1之間的浮點數表示。replace參數表示是否可以在輸出樣本中包含重複的行。weights參數表示每行在隨機過程中抽取的權重，必須是正數，如果預設情況下，則每個樣本的權重相等。axis參數表示是從行方向（axis=0）或列方向（axis=1）中抽取樣本，默認是從行方向中抽取。

二、DataFrame.sample()方法的使用場景

在大數據的處理過程中，為了提高數據的處理效率，通常只需要對整個數據集中的一部分進行分析，並從中抽取樣本的數據子集。常見的使用場景包括隨機抽樣、k-means和kmeans++演算法等。與大多數概率演算法相同，隨機抽樣需要隨機數生成器。 為了確保結果的可復現性，可以通過隨機狀態（random_state）參數指定隨機數種子，從而確保得到的樣本集的統計意義是相同的。

三、DataFrame.sample()方法的代碼示例

下面給出一個關於DataFrame.sample()方法的簡單實例：

import pandas as pd
import numpy as np
 
# 創建一個數據框
df = pd.DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})
print("原始數據框:")
print(df)
 
# 從數據框中抽取整行，輸出前2行數據
df_sample1 = df.sample(n=2) 
print("\n抽取2行:")
print(df_sample1)
 
# 從數據框中抽取整行，輸出前30%的數據
df_sample2 = df.sample(frac=0.3, random_state=1)
print("\n抽取前30%的數據:")
print(df_sample2)
 
# 從數據框中抽取整列
df_sample3 = df.sample(axis=1)
print("\n抽取整列:")
print(df_sample3)

上述代碼輸出的運行結果如下：

原始數據框:
    A         B
0   1  0.160417
1   2 -0.536356
2   3 -0.784670
3   4  0.432485
4   5 -1.269952
5   6  1.711935
6   7 -0.154067
7   8  0.933766
8   9  1.076213
9  10 -1.051958

抽取2行:
   A         B
1  2 -0.536356
4  5 -1.269952

抽取前30%的數據:
   A         B
3  4  0.432485
5  6  1.711935
4  5 -1.269952

抽取整列:
          B   A
0  0.160417   1
1 -0.536356   2
2 -0.784670   3
3  0.432485   4
4 -1.269952   5
5  1.711935   6
6 -0.154067   7
7  0.933766   8
8  1.076213   9
9 -1.051958  10

四、DataFrame.sample()方法快速實現隨機採樣

DataFrame.sample()方法一個非常有用的特性就是可以快速實現隨機採樣。下面以在從一個大型數據集中抽取前50個樣本為例，介紹如何實現隨機採樣。

import pandas as pd
 
# 假設有百萬記錄的大型數據集 dset，隨機抽取前50條記錄
dset = pd.read_csv("dset.csv")
rand_indices = np.arange(dset.shape[0])
np.random.shuffle(rand_indices)
dset = dset.iloc[rand_indices[:50], :]

上述代碼中，np.random.shuffle()函數將數據集中的每個記錄打亂，之後iloc方法根據生成的隨機索引(rand_indices)從數據集中隨機抽取出前50條記錄。