如何从不平衡DataFrame中采样得到列值平衡的指定大小样本？

针对你的需求——从100k条记录的不平衡DataFrame中抽取10k条平衡样本（claimed列1和2各5k条），可以用以下两种简洁的pandas实现方式：

方法一：分组抽样（推荐） #

通过groupby结合sample，一次性完成分组抽取与合并：

import pandas as pd

# 设定每组需抽取的样本量（10k平衡样本，每组5000条）
per_group_size = 5000

# 按claimed分组，每组抽取指定数量样本，合并为平衡DataFrame
balanced_df = df.groupby('claimed', group_keys=False).apply(
    lambda group: group.sample(n=per_group_size, random_state=42)
)

• group_keys=False避免将分组列作为索引的一部分，保持原DataFrame结构
• random_state用于固定随机种子，确保抽样结果可复现，可按需移除

方法二：分步抽取（更直观） #

先分别筛选两类数据，各自抽样后再合并打乱：

# 从claimed=1的样本中抽取5000条
sample_1 = df[df['claimed'] == 1].sample(n=5000, random_state=42)
# 从claimed=2的样本中抽取5000条
sample_2 = df[df['claimed'] == 2].sample(n=5000, random_state=42)

# 合并样本集并打乱顺序（避免数据按类别集中）
balanced_df = pd.concat([sample_1, sample_2]).sample(frac=1, random_state=42)

• 最后一步的sample(frac=1)用于打乱合并后的数据，让两类样本随机分布

注意事项 #

如果某类样本数量不足所需抽取量（比如假设claimed=2只有4000条），可在sample中添加replace=True启用有放回抽样，但你的场景中claimed=2有20k条，完全满足无放回抽取5000条的需求，无需设置。

内容的提问来源于stack exchange，提问作者Patthebug