Pandas DataFrame分组需求：为每个Task分配唯一TaskClass观测值

嘿，这个需求其实用Pandas自带的分组抽样功能就能轻松搞定，完全适配你数千个Task的大规模场景，给你详细拆解下：

核心实现代码 #

假设你的数据存储在df这个DataFrame里，一行代码就能解决问题：

# 按Task分组，每组随机选1行
result_df = df.groupby('Task', group_keys=False).sample(n=1)

关键参数解释 #

• groupby('Task')：把数据按Task字段分组，确保每个Task单独成组处理
• sample(n=1)：每组随机抽取1条记录，正好满足每个Task对应唯一TaskClass的要求
• group_keys=False：避免结果里多出分组相关的索引，让输出结构和原DataFrame保持一致
• （可选）如果需要固定随机结果方便测试，可以加random_state=42这类固定数值，去掉的话每次运行都会得到不同的随机抽样结果

针对你提供的多TaskClass示例验证 #

比如你给出的包含4种TaskClass的测试数据：

Year Month Task TaskID TaskClass TaskClassID SomeValue
2019 11 A 1 X 10 6.58
2019 11 A 1 Y 20 1.58
2019 11 A 1 Z 30 1.00
2019 11 A 1 W 40 0.25
2019 11 B 2 X 10 6.58
2019 11 B 2 Y 20 1.58
2019 11 B 2 Z 30 1.00
2019 11 B 2 W 40 0.25

运行代码后会得到类似这样的随机输出（每次结果可能不同）：

进阶玩法：按权重抽样（可选） #

如果想让某些TaskClass被选中的概率更高（比如SomeValue越大越容易被选），可以给sample加weights参数：

# 按SomeValue的大小作为抽样权重，值越大越容易被选中
result_df = df.groupby('Task', group_keys=False).sample(
    n=1, 
    weights='SomeValue'
)

性能说明 #

这个方法处理数千个Task完全没问题，groupby和sample都是Pandas底层优化过的操作，在大规模数据集上的效率很高，不会出现性能瓶颈。

内容的提问来源于stack exchange，提问作者Nuno Heli Beires