【pandas小技巧】--随机挑选子集

在 pandas 中，如果遇到数据量特别大的情况，随机挑选 DataFrame 的子集可以帮助我们更深入地了解数据，从而更好地进行数据分析和决策。

随机挑选子集的用途主要有：

1. 评估数据质量：随机挑选 DataFrame 的子集可以帮助我们检查数据集的质量，以便进一步探索和挖掘数据。例如，我们可以通过随机选择一些行或列来评估数据的分布、离群值、缺失值等情况。
2. 加深理解数据：随机挑选 DataFrame 的子集可以帮助我们更深入地了解数据。例如，我们可以通过随机选择一些列来了解数据的分布、趋势、相关性等情况。
3. 发现潜在模式：随机挑选 DataFrame 的子集可以帮助我们发现潜在的模式或规律。例如，我们可以通过随机选择一些行或列来探索数据之间的相关性或趋势，从而发现潜在的模式或规律。
4. 探索新的数据分析方法：随机挑选 DataFrame 的子集可以帮助我们探索新的数据分析方法。例如，我们可以通过随机选择一些列来探索新的数据分析方法，如时间序列分析、空间分析等。
5. 提高程序性能：随机挑选 DataFrame 的子集可以帮助我们优化程序性能。例如，我们可以通过随机选择一些列来减少计算量，从而提高程序性能。

本篇介绍一种pandas挑选子集的方式，以及子集在机器学习中常用的一个场景。

1. 随机挑选

这次示例中准备的数据来自链家网，我采集了一些南京市建邺区的房产交易数据，共有11290条。

import pandas as pd

fp = "nanjing-jianye.csv"
df = pd.read_csv(fp)
df

1.1. 按百分比挑选

按百分比随机挑选样本的核心参数是 frac 和 random_state。

1. frac：样本数量占总量的百分比
2. random_state：随机状态，这个值相同，取出的样本是一样的

df1 = df.sample(frac=0.1, random_state=1111)
df1.sort_index()

上面的示例中 frac=0.1，相当于获取总量10%的样本，总量11290条，所以样本数量1129条。

示例中的random_state=1111，只要改变这个数值，取出的样本就是会变化。

df1 = df.sample(frac=0.1, random_state=2222)
df1.sort_index()

1.2. 按个数挑选

按个数随机挑选样本的核心参数是 n 和 random_state。

1. n：样本数量
2. random_state：随机状态，这个值相同，取出的样本是一样的

df2 = df.sample(n=100, random_state=1111)
df2.sort_index()

上面的示例中n=100，随机取100个样本，其中random_state的作用和按百分比挑选一样。

2. 机器学习中使用场景

随机挑选子集的用途开头已经介绍了很多，还有个重要的应用场景是在机器学习时，可以将数据划分为训练集和测试集。

针对这个需求，利用上面介绍的sample函数封装一个平均划分的子集接口。
用于机器学习时分隔训练集和测试集。

import pandas as pd
import random

def split_dataset(df: pd.DataFrame, n = 10):
    """
    df: 带划分的数据集
    n: 划分子集的个数，默认10个
    """
    total = len(df)
    subset_count = total // n

    dataset = []
    df_left = df.copy()
    for i in range(n):
        df_subset = df_left.sample(n=subset_count, random_state=random.randint(1000,9999))
        dataset.append(df_subset.copy())

        df_left = df_left.drop(index=df_subset.index)

    return dataset

比如上面示例的房产成交数据（共11290条），通过此方法可以平均划分成n个数据集。

ds = split_dataset(df, n=10)
ds

ds列表中就是平均划分的10个子集。
应用机器学习的算法时，可以循环任意选择7个作为训练集，剩余3个作为测试集。

3. 附录

本篇中使用的数据下载地址：nanjing-jianye.csv