使 DataFrame 相对于特定列平衡

Question

我在 Python 中有一个 DataFrame，如下所示。

  Text  Label

0  abc      0

1  def      1

2  ghi      1

3   .       .

4   .       .

5   .       .

有 100 行标签为“1”，只有 50 行标签为“0”。我想要一个平衡的集合，以便有标签为“0”的 50 行和标签为“1”的 50 行。哪些带有标签“1”的行被丢弃并不重要。

有没有什么简洁的方法可以用 Python 写这个？

Answer 1

使用groupby和head：df = df.groupby('Label').head(50)这将从 Label 分别为 0 和 1 的每个行子集中取前 50 个。在标签为 1 的行的情况下，前 50 个被选中，其余的被丢弃。要选择最后 50 个，请替换head(50)为tail(50)。要随机选择 50 行，请使用apply+ sample：df = (df.groupby('Label', as_index=False)        .apply(lambda x: x.sample(n=50))        .reset_index(drop=True))请注意，如果任何组的项目少于 N (=50) 个，这将不起作用。