如何为DataFrame各列生成1000次Bootstrap样本并替换原列值？

要实现对DataFrame每列进行1000次Bootstrap有放回采样，最终生成1000行的新DataFrame，可以用Python的pandas和numpy库完成，具体步骤如下：

代码实现 #

import pandas as pd
import numpy as np

# 构造原始DataFrame
original_df = pd.DataFrame({
    '列1': [1., 4., 7., 1.],
    '列2': [3., 5., 1., 9.]
})

# 定义Bootstrap采样函数：对单列生成n个有放回样本
def bootstrap_sample(column, n=1000):
    return np.random.choice(column, size=n, replace=True)

# 对每一列应用采样函数，生成新的DataFrame
bootstrapped_df = pd.DataFrame({
    col: bootstrap_sample(original_df[col]) 
    for col in original_df.columns
})

# 验证结果（可选）
print(bootstrapped_df.shape)  # 输出 (1000, 2)
print(bootstrapped_df.head())

代码说明 #

• np.random.choice(column, size=1000, replace=True)：核心逻辑是用numpy的随机选择函数，replace=True开启有放回采样，完全匹配Bootstrap采样要求，从原列中抽取1000个样本。
• 通过字典推导式遍历原DataFrame的所有列，对每列执行采样后组合成新的DataFrame，直接得到1000行的目标结果。

如果需要保留原数据的全部行，再补充采样值至1000行（比如保留原4行，额外采样996个样本补充），可以调整采样逻辑：

def bootstrap_sample_with_original(column, n=1000):
    # 保留原数据，计算需要补充的样本数量并采样
    remaining = n - len(column)
    sampled = np.random.choice(column, size=remaining, replace=True)
    return np.concatenate([column.values, sampled])

bootstrapped_df = pd.DataFrame({
    col: bootstrap_sample_with_original(original_df[col]) 
    for col in original_df.columns
})

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