如何从DataFrame抽取保留变量分布的随机样本？（Python）

直接使用df.sample(100, random_state=20)无法确保每个国家都有样本被选中，因为纯随机抽样可能会遗漏样本量较小的国家。可以通过分层抽样+保底抽取的方式实现需求，具体步骤如下：

方法一：保底1个样本+剩余随机分配 #

这种方法先确保每个国家至少有1条样本，剩余名额从排除已抽样本的数据中随机抽取，保证总样本数为100。

代码实现 #

import pandas as pd

# 获取所有唯一国家
unique_countries = df['国家'].unique()
country_count = len(unique_countries)

# 处理国家数量超过100的特殊情况（无法满足每个国家至少1个样本）
if country_count > 100:
    raise ValueError("国家数量超过100，无法保证每个国家都有样本被抽取")

# 每个国家先抽取1个样本
base_sample = df.groupby('国家', group_keys=False).apply(lambda group: group.sample(n=1, random_state=20))

# 计算剩余需要抽取的样本数量
remaining_samples_needed = 100 - country_count

# 从剩余数据中抽取剩余名额
remaining_sample = df.drop(base_sample.index).sample(n=remaining_samples_needed, random_state=20)

# 合并得到最终样本
final_sample = pd.concat([base_sample, remaining_sample]).reset_index(drop=True)

说明 #

1. 先通过groupby+apply给每个国家分配1个样本，确保没有国家被遗漏；
2. 从原数据中移除已抽取的样本，再随机抽取剩余名额，保证总样本数为100；
3. random_state=20用于固定随机种子，保证结果可复现。

方法二：按比例分层抽样（适配大样本量） #

如果希望样本中各国家的比例尽量贴近原数据，同时保证每个国家至少1个样本，可以调整抽取逻辑：

代码实现 #

import pandas as pd

unique_countries = df['国家'].unique()
country_count = len(unique_countries)

if country_count > 100:
    raise ValueError("国家数量超过100，无法保证每个国家都有样本被抽取")

# 计算每个国家的理想抽取数量（按原数据比例分配）
country_sample_counts = (df['国家'].value_counts(normalize=True) * 100).round().astype(int)

# 确保每个国家至少1个样本，调整总数量到100
country_sample_counts = country_sample_counts.clip(lower=1)
total = country_sample_counts.sum()
diff = 100 - total

# 调整差额（给样本量较大的国家加减）
if diff > 0:
    # 给样本量多的国家加名额
    top_countries = country_sample_counts.sort_values(ascending=False).index[:diff]
    country_sample_counts[top_countries] += 1
elif diff < 0:
    # 给样本量多的国家减名额（但保留至少1个）
    top_countries = country_sample_counts[country_sample_counts > 1].sort_values(ascending=False).index[:-diff]
    country_sample_counts[top_countries] -= 1

# 按计算的数量抽取样本
final_sample = df.groupby('国家', group_keys=False).apply(lambda group: group.sample(n=country_sample_counts[group.name], random_state=20))
final_sample = final_sample.reset_index(drop=True)

说明 #

这种方法会尽量保持原数据中国家的分布比例，同时强制每个国家至少有1个样本，适合需要保持分布特征的场景。

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