一系列列表的逐元素随机选择（无循环）

Question

我想从一系列列表中的每个列表中随机选择一个元素。

import pandas as pd

import numpy as np

l=[['a','b','c'],['d','e','f'],['g','h','i'],['j','k','l'],['m','n','o']]

s = pd.Series(l)

也是s：

0    [a, b, c]

1    [d, e, f]

2    [g, h, i]

3    [j, k, l]

4    [m, n, o]

dtype: object

我知道我可以做到以下几点：

s = pd.Series([np.random.choice(i) for i in s])

哪个有效：

0    a

1    e

2    h

3    j

4    m

dtype: object

但我想知道是否有非循环方法可以做到这一点？

例如，（假设每个list大小相等）您可以创建一个随机索引数组来尝试从每个索引中选择不同的元素list：

i = np.random.randint(3, size=len(l))

#array([2, 2, 0, 1, 0])

但是做 says[i]是行不通的，因为那是索引s而不是应用于每个list：

2    [g, h, i]

2    [g, h, i]

0    [a, b, c]

1    [d, e, f]

0    [a, b, c]

dtype: object

我的动机是拥有可以处理大量列表的东西，从而避免循环。但是如果我的列表理解看起来是最合理的，或者没有内置pandas/numpy函数，请告诉我。

Answer 1

我只能这样想，但是，性能可能是问题np.array(s.tolist())[np.arange(len(s)), np.random.randint(3, size=len(s))]array(['c', 'e', 'i', 'k', 'n'], dtype='<U1')一些时机%timeit s.explode().sample(frac=1, random_state=1)&nbsp;5.05 ms ± 294 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)%timeit pd.Series([np.random.choice(i) for i in s])23.1 ms ± 184 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)%timeit np.array(s.tolist())[np.arange(len(s)), np.random.randint(3, size=len(s))]1.63 ms ± 50.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

Answer 2

您可以尝试explode，随机播放分解的系列，然后采样。这甚至不需要列表具有相同的长度。(s.explode()&nbsp; &nbsp;.sample(frac=1, random_state=1)&nbsp; # random_state added for repeatability, drop if needed&nbsp; &nbsp;.groupby(level=0).head(1))输出：1&nbsp; &nbsp; d2&nbsp; &nbsp; h0&nbsp; &nbsp; c3&nbsp; &nbsp; k4&nbsp; &nbsp; ndtype: object