基于Pandas DataFrame实现分SECTION按权重抽取指定数量CODE

步骤1：明确数据结构（示例） #

先假设你的两个DataFrame结构如下（如果你的结构不同，只需调整列名即可）：

• 权重表 weight_df：

• 样本数量表 count_df：

步骤2：合并两个表 #

先把两个表按SECTION合并，让每个CODE对应到所属SECTION的样本数量：

import pandas as pd

# 从CSV导入数据（替换为你的文件路径）
# weight_df = pd.read_csv("权重文件.csv")
# count_df = pd.read_csv("数量文件.csv")

# 合并两个表
merged_df = pd.merge(weight_df, count_df, on="SECTION")

步骤3：按SECTION分组生成样本 #

对每个SECTION分组，根据权重比例和需求数量随机抽取CODE：

import numpy as np

# 定义生成单组样本的函数
def generate_samples(group):
    codes = group["CODE"]
    weights = group["Final_Per"]
    num_samples = group["NUMBER"].iloc[0]  # 每个SECTION的样本数唯一
    
    # 按权重随机抽取，允许重复抽取以满足数量需求
    samples = pd.Series(
        np.random.choice(codes, size=num_samples, p=weights, replace=True),
        name="SAMPLED_CODE"
    )
    # 添加SECTION标识列
    samples = samples.to_frame().assign(SECTION=group["SECTION"].iloc[0])
    return samples

# 分组应用函数生成所有样本
result = merged_df.groupby("SECTION").apply(generate_samples).reset_index(drop=True)

步骤4：查看结果 #

运行后result就是最终的样本表，比如B1对应的14个样本会按5%/65%/30%的比例包含800、801、802：

print(result[result["SECTION"] == "B1"])

注意事项 #

• 确保每个SECTION下的Final_Per之和为1，否则np.random.choice会报错。如果有微小误差，可先做归一化：group["Final_Per"] = group["Final_Per"] / group["Final_Per"].sum()
• CODE为字符串类型时，代码无需修改，同样适用。

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