如何为DataFrame各年份分组生成无重复的随机日？

问题描述 #

我需要给DataFrame的每个年份分组生成不重复的随机日，因此必须设置replace=False避免重复值。另外我的年份列表包含超过365个年份，无法直接给整个DataFrame添加随机数列（否则无重复抽样会无法生成足够样本）。尝试了agg、aggregate、apply和transform方法后，当前代码得到的同组内随机日完全相同，不符合需求。

当前尝试代码 #

import pandas as pd
import numpy as np

years = pd.DataFrame({"year": [1,1,2,2,2,3,3,4,4,4,4]})
years["day"] = 0
grouped = years.groupby("year")["day"]
grouped.transform(lambda x: np.random.choice(366, replace=False))

当前结果 #

0       8
1       8
2     319
3     319
4     319
5     149
6     149
7     130
8     130
9     130
10    130
Name: day, dtype: int64

期望结果 #

0       8
1      16
2     119
3     321
4     333
5       4
6      99
7      30
8     129
9     224
10    355
Name: day, dtype: int64

解决方案 #

问题根源是原transform的lambda仅生成单个随机数，然后广播到整个分组行。要实现同组内每行随机日不同，需针对每个分组的行数生成对应长度的无重复随机样本。

方法1：使用apply生成对应长度序列 #

import pandas as pd
import numpy as np

years = pd.DataFrame({"year": [1,1,2,2,2,3,3,4,4,4,4]})
years["day"] = years.groupby("year")["year"].apply(
    lambda x: np.random.choice(366, size=len(x), replace=False)
)

方法2：修正transform逻辑 #

transform要求返回结果与原分组长度一致，因此在lambda中根据分组长度生成对应数量的无重复随机数：

years["day"] = grouped.transform(lambda x: np.random.choice(366, size=len(x), replace=False))

两种方法都能实现同组内随机日不重复的需求，同时保证每个分组的抽样是无重复的。

内容的提问来源于stack exchange，提问作者Bowser