如何从含二类标签的112k行大型数据集中抽取10k行均衡样本

这事儿太好办了！用Python的pandas库就能快速实现这种均衡抽样需求，我给你拆解成清晰的步骤和可直接用的代码示例：

核心思路 #

先把原始数据按目标列（就是那个取值为1/0的列）分成两组，再从每组里各抽5k行，最后合并成均衡的10k行样本——完美保持1:1的分布比例。

具体步骤（以Python pandas为例） #

• 首先导入必备的pandas库：

  import pandas as pd
  

• 读取你的原始数据集（替换成你实际的文件路径和格式，比如excel就用pd.read_excel）：

  # 示例：读取csv格式的原始数据
  df = pd.read_csv("your_raw_dataset.csv")
  

• 按目标列拆分数据（这里假设目标列名为is_true，一定要替换成你数据集里的实际列名）：

  # 筛选出取值为1的所有行
  df_true = df[df['is_true'] == 1]
  # 筛选出取值为0的所有行
  df_false = df[df['is_true'] == 0]
  

• 从每组随机抽取5000行（random_state用来固定抽样结果，保证每次跑代码都得到一样的样本，可选参数）：

  sample_true = df_true.sample(n=5000, random_state=42)
  sample_false = df_false.sample(n=5000, random_state=42)
  

• 合并两个抽样子集，还可以打乱顺序避免出现“先全1再全0”的分组痕迹：

  # 合并两个抽样样本
  balanced_sample = pd.concat([sample_true, sample_false])
  # 打乱行顺序并重置索引
  balanced_sample = balanced_sample.sample(frac=1, random_state=42).reset_index(drop=True)
  

• 最后把均衡抽样后的数据集保存下来：

  # 保存为csv，也可以换成你需要的格式
  balanced_sample.to_csv("balanced_10k_sample.csv", index=False)
  

额外小提示 #

• 如果你的数据集不用pandas处理（比如用numpy），思路完全一致：先拆分两组，再分别随机选取索引抽样，最后合并即可。
• random_state可以换成任意整数，或者直接去掉——去掉的话每次运行代码会得到不同的抽样结果，按需选择就行。
• 要是原始数据里的目标列值不是1/0而是True/False，把代码里的==1换成==True，==0换成==False就ok啦！

内容的提问来源于stack exchange，提问作者merchmallow