为何np.random.choice会误删数据集不该删除的行？

问题背景 #

处理名为gen的数据集，churn?列是0/1的二元整数类型，初始统计：

• 值0：1125行
• 值1：154行

为平衡数据集，尝试随机删除200行值为0的数据，代码如下：

# 筛选churn?为0的行，随机选取200行索引
rows_to_remove = np.random.choice(gen[gen['churn?']==0].index, size=200, replace=False)
# 删除选中的行得到新数据集
gen_new = gen.drop(rows_to_remove)

执行后结果异常：

• 值0的行正确剩余925行
• 值1的行仅剩130行，莫名丢失24行

可能的原因及排查方案 #

• 索引重复导致误删：如果数据集的索引不是唯一值，drop方法会删除所有匹配该索引的行。比如某条值为1的行和被选中的0值行索引相同，执行删除时会被一并删掉。
  排查：运行gen.index.is_unique，返回False就说明存在重复索引。解决：先重置索引gen = gen.reset_index(drop=True)，再执行删除逻辑。

• 筛选逻辑或变量污染：检查是否有其他代码修改了gen或rows_to_remove。比如生成rows_to_remove后，立刻执行gen.loc[rows_to_remove, 'churn?'].value_counts()，确认选中的全是0值行。如果这里出现1，可能是churn?列数据类型不对（比如是字符串'0'而非整数0，导致筛选条件不匹配），或者列名写错了。

• 数据集实际行数不符：确认len(gen[gen['churn?']==0])确实是1125，避免筛选条件写错导致选中了部分1值行的索引。

• 旧版本Pandas的bug：极少数旧版Pandas（低于1.0）处理非唯一索引的drop时可能有异常，运行pd.__version__检查版本，必要时升级重试。

内容的提问来源于stack exchange，提问作者tessema_t