Disons que j'ai un cadre de données avec 100 000 entrées et que vous voulez le scinder en 100 sections de 1 000 entrées.
Comment puis-je prendre un échantillon aléatoire de la taille 50 d'une des 100 sections. le jeu de données est déjà commandé, de sorte que les 1000 premiers résultats correspondent à la première section, à la suivante, etc.
merci beaucoup
Vous pouvez utiliser la méthode sample
*:
In [11]: df = pd.DataFrame([[1, 2], [3, 4], [5, 6], [7, 8]], columns=["A", "B"])
In [12]: df.sample(2)
Out[12]:
A B
0 1 2
2 5 6
In [13]: df.sample(2)
Out[13]:
A B
3 7 8
0 1 2
* Sur l'une des sections DataFrames.
Remarque: Si la taille de l'échantillon est supérieure à celle du DataFrame, une erreur se produira, sauf si vous effectuez un échantillonnage avec remplacement.
In [14]: df.sample(5)
ValueError: Cannot take a larger sample than population when 'replace=False'
In [15]: df.sample(5, replace=True)
Out[15]:
A B
0 1 2
1 3 4
2 5 6
3 7 8
1 3 4
Une solution consiste à utiliser la fonction choice
de numpy.
Disons que vous voulez 50 entrées sur 100, vous pouvez utiliser:
import numpy as np
chosen_idx = np.random.choice(1000, replace=False, size=50)
df_trimmed = df.iloc[chosen_idx]
Ceci ne tient bien sûr pas compte de votre structure de bloc. Si vous voulez un échantillon de 50 articles du bloc i
par exemple, vous pouvez faire:
import numpy as np
block_start_idx = 1000 * i
chosen_idx = np.random.choice(1000, replace=False, size=50)
df_trimmed_from_block_i = df.iloc[block_start_idx + chosen_idx]
C'est un bel endroit pour la récursion.
def main2():
rows = 8 # say you have 8 rows, real data will need len(rows) for int
rands = []
for i in range(rows):
gen = fun(rands)
rands.append(gen)
print(rands) # now range through random values
def fun(rands):
gen = np.random.randint(0, 8)
if gen in rands:
a = fun(rands)
return a
else: return gen
if __name__ == "__main__":
main2()
output: [6, 0, 7, 1, 3, 5, 4, 2]