目录
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 score
age 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