Случайная выборка: sample — pandas

Коротко

sample(n=3) — 3 случайные строки, sample(frac=0.1) — 10 % строк.
random_state=число — воспроизводимый результат; без него каждый вызов разный.
sample(frac=1) перемешивает все строки; ignore_index=True — заодно новый индекс.
replace=True — с повторами (бутстреп); weights — вероятность строки пропорциональна весу.
Без replace нельзя взять больше строк, чем есть в таблице.

Синтаксис

df.sample(n=None, frac=None, replace=False, weights=None,
        random_state=None, axis=0, ignore_index=False)

Параметры

ПараметрЧто делаетПо умолчанию

nсколько строк; нельзя вместе с frac1

fracдоля строк; с replace=True может быть больше 1None

replaceразрешить повторыFalse

weightsвеса строк: имя столбца или SeriesNone

random_stateseed или генератор np.random.GeneratorNone

ignore_indexновый индекс 0, 1, 2…False

Примеры

Данные для примеровиспользуются во всех примерах ниже

customers = pd.DataFrame({
    "name": ["Аня", "Борис", "Вика", "Глеб", "Дина", "Егор", "Женя", "Зоя"],
    "orders": [12, 3, 7, 1, 20, 5, 9, 2],
})

Несколько случайных строк

customers.sample(n=3, random_state=42)            # 3 случайные строки

Вывод

    name  orders
1  Борис       3
5   Егор       5
0    Аня      12

Доля строк

customers.sample(frac=0.5, random_state=1)        # половина строк

Вывод

    name  orders
7    Зоя       2
2   Вика       7
1  Борис       3
6   Женя       9

Перемешать таблицу

customers.sample(frac=1, random_state=7, ignore_index=True)   # перемешать все строки

Вывод

    name  orders
0   Вика       7
1   Егор       5
2    Аня      12
3   Женя       9
4   Глеб       1
5  Борис       3
6   Дина      20
7    Зоя       2

С повторами

customers.sample(n=10, replace=True, random_state=3)["name"].value_counts()   # с повторами

Вывод

name
Аня      4
Глеб     2
Егор     2
Вика     1
Борис    1
Name: count, dtype: int64

С весами

customers.sample(n=200, weights="orders", replace=True, random_state=5)["name"].value_counts().head(3)   # чаще всех — у кого больше заказов

Вывод

name
Дина    64
Аня     37
Женя    30
Name: count, dtype: int64

Один seed — одна выборка

a = customers.sample(n=2, random_state=10)["name"].tolist()
b = customers.sample(n=2, random_state=10)["name"].tolist()
a, b

Вывод

(['Вика', 'Глеб'], ['Вика', 'Глеб'])

Подводные камни

Больше строк, чем есть

n больше числа строкошибка: ValueError

customers.sample(n=20)                            # без replace больше строк, чем есть, не взять

Ошибка

ValueError: Cannot take a larger sample than population when 'replace=False'