sample() 采样函数

随机采样

有条件采样

恒定速率采样

获取数据剩余部分

resample()采样函数

降采样

升采样

频率转换asfreq()

插值处理

sample() 采样函数

随机采样

随机抽样，是统计学中常用的一种方法，它可以帮助我们从大量的数据中快速地构建出一组数据分析模型。在 Pandas 中，如果想要对数据集进行随机抽样，需要使用 sample() 函数。

sample() 函数的语法格式如下：

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

参数说明如下表所示：

参数名称	参数说明
n	表示要抽取的行数。
frac	表示抽取的比例，比如 frac=0.5，代表抽取总体数据的50%。
replace	布尔值参数，表示是否以有放回抽样的方式进行选择，默认为 False，取出数据后不再放回。
weights	可选参数，代表每个样本的权重值，参数值是字符串或者数组。
random_state	可选参数，控制随机状态，默认为 None，表示随机数据不会重复；若为 1 表示会取得重复数据。
axis	表示在哪个方向上抽取数据(axis=1 表示列/axis=0 表示行)。

该函数返回与数据集类型相同的新对象，相当于 numpy.random.choice()。构建示例数据：

import pandas as pd
dict = {'name':["Jack", "Tom", "Helen", "John"],'age': [28, 39, 34, 36],'score':[98,92,91,89]}
info = pd.DataFrame(dict)

#默认随机选择两行
info.sample(n=2)
输出结果：name  age  score
2  Helen   34     91
0   Jack   28     98#随机选择两列
info.sample(n=2, axis=1)
输出结果：name  age  scoreage  score
0   28     98
1   39     92
2   34     91
3   36     89#随机抽取3个数据
info['name'].sample(n=3)
输出结果：
1      Tom
3     John
2    Helen
Name: name, dtype: object#总体的50%
info.sample(frac=0.5, replace=True)
输出结果：name  age  score
2  Helen   34     91
0   Jack   28     98#age序列为权重值，并且允许重复数据出现
info.sample(n=2, weights='age', random_state=1)
输出结果：name  age  score
1    Tom   39     92
2  Helen   34     91

有条件采样

带条件采样允许仅提取满足给定条件的一些行。必须指定条件。

首先，满足列值sepal width (cm)小于 3条件的行：

condition = df['sepal width (cm)'] < 3

变量condition是一系列大小相同的df，包含True/False，取决于行是否满足条件。

然后，检索与满足上述条件的行相关联的索引：

true_index = condition[condition == True].index

如果有 57 行满足条件，因此最多可以采样 57 行。

最后，通过sample()函数可用于按如下条件进行采样：

subset = df[condition].sample(n = 10)

恒定速率采样

两个相邻样本之间的距离恒定

# 首先，指定费率
rate = 10
# 然后，提取样本，输出
subset = df[::rate]

获取数据剩余部分

提取数据集的子集后，还可以提取剩余部分。可以采用两种可能的解决方案来提取数据集的剩余部分。两种解决方案产生相同的结果。

第一种解决方案将提取的数据帧 ( subset)的行删除到原始数据帧中df，并将结果存储在新的数据帧中。这可以通过将要删除的索引列表传递给drop()函数来实现：

remaining = df.drop(labels=subset.index)

第二种解决方案仅选择原始数据帧中的行，df其中索引不在提取的数据帧的索引列表中subset：

remaining = df[~df.index.isin(subset.index)]

resample()采样函数

也称时间序列采样和数据重采样，其将时间序列从一个频率转换至另一个频率的过程，它主要有两种实现方式：降采样和升采样，降采样指将高频率的数据转换为低频率，升采样则与其恰好相反。

方法	说明
降采样	将高频率(间隔短)数据转换为低频率(间隔长)。
升采样	将低频率数据转换为高频率。

降采样

import pandas as pd
import numpy as np
rng = pd.date_range('1/1/2021',periods=100, freq='D')
ts = pd.Series(np.random.randn(len(rng)),index=rng)# 按天计数的频率转换为按月计数。
# 降采样后并聚合
ts.resample('M').mean()输出结果：
2021-01-31    0.046598
2021-02-28    0.000194
2021-03-31   -0.162896
2021-04-30   -0.395149
Freq: M, dtype: float64如果只想看到月份，那么您可以设置kind=period如下所示：
ts.resample('M',kind='period').mean()输出结果：
2021-01    0.046598
2021-02    0.000194
2021-03   -0.162896
2021-04   -0.395149
Freq: M, dtype: float64

升采样

import pandas as pd
import numpy as np
rng = pd.date_range('1/1/2021', periods=20, freq='3D')
ts = pd.Series(np.random.randn(len(rng)), index=rng)
print(ts.head())# 升采样是将低频率（时间间隔）转换为高频率
# 然后，使用asfreq()在原数据基础上实现频率转换
ts.resample('D').asfreq().head()输出结果：
升采样前：
2021-01-01    0.869743
2021-01-04   -1.105558
2021-01-07   -0.395761
2021-01-10   -1.163647
2021-01-13    0.367996
Freq: 3D, dtype: float64升采样后：
2021-01-01    0.869743
2021-01-02         NaN
2021-01-03         NaN
2021-01-04   -1.105558
2021-01-05         NaN
Freq: D, dtype: float64

频率转换asfreq()

该方法不仅能够实现频率转换，还可以保留原频率对应的数值，同时也可以单独使用，示例如下：

index = pd.date_range('1/1/2021', periods=6, freq='T')
series = pd.Series([0.0, None, 2.0, 3.0,4.0,5.0], index=index)
df = pd.DataFrame({'s':series})
print(df.asfreq("45s"))输出结果：s
2021-01-01 00:00:00  0.0
2021-01-01 00:00:45  NaN
2021-01-01 00:01:30  NaN
2021-01-01 00:02:15  NaN
2021-01-01 00:03:00  3.0
2021-01-01 00:03:45  NaN
2021-01-01 00:04:30  NaN

插值处理

从上述示例不难看出，升采样的结果会产生缺失值，那么就需要对缺失值进行处理，一般有以下几种处理方式：

方法	说明
pad/ffill	用前一个非缺失值去填充缺失值。
backfill/bfill	用后一个非缺失值去填充缺失值。
interpolater('linear')	线性插值方法。
fillna(value)	指定一个值去替换缺失值。

# 下面使用插值方法处理 NaN 值，示例如下：
import pandas as pd
import numpy as np#创建时间序列数据
rng = pd.date_range('1/1/2021', periods=20, freq='3D')
ts = pd.Series(np.random.randn(len(rng)), index=rng)
print(ts.resample('D').asfreq().head())
输出结果：
2021-01-01    0.555580
2021-01-02         NaN
2021-01-03         NaN
2021-01-04   -0.079324
2021-01-05         NaN
Freq: D, dtype: float64#使用ffill处理缺失值
ts.resample('D').asfreq().ffill().head()
#插值处理，注意对比
2021-01-01    0.555580
2021-01-02    0.555580
2021-01-03    0.555580
2021-01-04   -0.079324
2021-01-05   -0.079324
Freq: D, dtype: float64

Pandas(九)--数据采样相关推荐

Pandas简明教程：七、Pandas缺失数据的处理（数据清洗基础）
文章目录 1.缺失数据的类型 2.定位缺失数据 3.修改定位数据 4.批量修改缺失数据 5.数据修复的利器--插值法(`interpolate`) 本系列教程教程完整目录: 数据清洗的内容其实很丰富, ...
python sql脚本_使用Python SQL脚本进行数据采样
python sql脚本介绍 (Introduction) The Python programming language is object oriented, easy to use and, ...
数据分析第七讲 pandas练习数据的合并、分组聚合、时间序列、pandas绘图
文章目录数据分析第七讲 pandas练习数据的合并和分组聚合一.pandas-DataFrame 练习1 对于这一组电影数据,如果我们想runtime(电影时长)的分布情况,应该如何呈现数据? ...
不平衡数据采样_过度采样不平衡数据的5种打击技术
不平衡数据采样 Imbalance data is a case where the classification dataset class has a skewed proportion. For ...
Pandas resample数据重采样
Pandas resample数据重采样数据重采样是将时间序列从一个频率转换至另一个频率的过程,它主要有两种实现方式,分别是降采样和升采样,降采样指将高频率的数据转换为低频率,升采样则与其恰好相反, ...
Python打乱pandas的数据
Python打乱pandas的数据最简单的方法就是采用pandas中自带的 sample这个方法. sample 函数本来是用来采样数据的,默认是打乱数据再采样,所以可以使用他来打乱数据. 样例: ...
Pandas时序数据Time Series
深入浅出Pandas读书笔记 C14 Pandas时序数据Time Series 14.1 固定时间 14.1.1 时间的表示时间戳Timestamp Pandas是在Python的datetime ...
联邦学习non-iid用户数据采样python实现
联邦学习non-iid用户数据采样python实现问题描述解决办法问题描述联邦学习non-iid用户数据采样解决办法直接上代码 import os from scipy.io import ...
Python使用pandas设置数据列中float数据类型的有效小数位数、抑制科学计数法
Python使用pandas设置数据列中float数据类型的有效小数位数.抑制科学计数法目录
pandas删除数据行中的重复数据行、基于dataframe所有列删除重复行、基于特定数据列或者列的作何删除重复行、删除重复行并保留重复行中的最后一行、pandas删除所有重复行（不进行数据保留）
pandas删除数据行中的重复数据行.基于dataframe所有列删除重复行.基于特定数据列或者列的作何删除重复行.删除重复行并保留重复行中的最后一行.pandas删除所有重复行(不进行数据保留) 目 ...

Pandas(九)--数据采样

sample() 采样函数

随机采样

有条件采样

恒定速率采样

获取数据剩余部分

resample()采样函数

降采样

升采样

频率转换asfreq()

插值处理

Pandas(九)--数据采样相关推荐

最新文章

热门文章