我可以使用熊猫来创建有偏差的样本吗？

Question

我的代码使用一列称为“预订状态”的列，“是”为1，“否”为0（还有许多其他列，信息将取决于预订状态而从中获取）-除了“是”以外，还有很多其他内容，因此我想用所有“是”和相同数量的“否”进行采样。

我使用时

samp = rslt_df.sample(n=298, random_state=1, weights='bookingstatus')

我收到错误：

ValueError：p中的非零条目少于大小

是否可以通过这种方式进行此示例？

Answer 1

如果我们有一些数据：

print(df)                                                                               
   c1  c2
0   1   1
1   0   2
2   0   3
3   0   4
4   0   5
5   0   6
6   0   7
7   1   8
8   0   9
9   0  10

我们可能决定使用DataFrame.sample函数从中进行采样。默认情况下，该函数将采样而不进行替换。意思是，如果您指定的观察数大于初始数据集中的观察数，则会收到错误消息：
DataFrame.sample

根据您的情况，ValueError来自df.sample(20)
ValueError: Cannot take a larger sample than population when 'replace=False'
参数：
weights

用[[c1列作为我们的权重参数来解释df.sample(3,weights='c1')
ValueError: Fewer non-zero entries in p than size
文档，这意味着
c1列中具有较大值的行更可能被采样。具体来说，DataFrame.sample函数不会从此列中选择零值。我们可以使用以下任一方法解决此错误。
方法1：将replace设置为true：
sample

方法2：

确保

m1 = df.sample(3,weights='c1', replace=True)
print(m1)                                                                               
   c1  c2
0   1   1
7   1   8
0   1   1

参数等于或小于

c1列中的1s：

n如果您决定使用此方法，则您实际上不会进行抽样。您实际上只是过滤掉

c1

的值为0的任何行。