DataFrame条件下采样：按value区间各保留300行

需求说明 #

现有如下格式的DataFrame：

Id  feat1 value
c1   c22     51
c2   c12     83
c3   d31     42
c4   a19     110
c5   d44     56
...   ...     ...

其中value列取值范围为[40,240]，需要按10为间隔划分区间（如40-50、50-60……230-240），每个区间保留最多300行数据（区间内数据不足300行时保留全部）。

实现方案 #

• 添加区间标签：使用pd.cut()函数给value列生成对应的区间分组标签，设置区间步长为10，覆盖40到240的全部取值范围。
• 分组采样：以生成的区间标签为分组键，对每个分组执行采样操作——如果组内数据行数≥300，就随机抽取300行；如果不足300行，直接保留全部数据。

示例代码：

import pandas as pd

# 假设你的原始数据集存储在df中
# 1. 生成区间分组列，左闭右开区间（如[40,50)对应40≤value<50）
df['value_bin'] = pd.cut(df['value'], bins=range(40, 241, 10), right=False)

# 2. 按区间分组并采样
sampled_df = df.groupby('value_bin', group_keys=False).apply(
    lambda group: group.sample(n=300, random_state=42) if len(group) >= 300 else group
)

# 可选：删除临时添加的区间列，恢复原数据结构
sampled_df = sampled_df.drop('value_bin', axis=1)

细节说明 #

• range(40,241,10)生成的区间刚好覆盖40到240的所有取值，确保没有数据被遗漏。
• right=False设置区间为左闭右开，和你示例中的区间划分逻辑一致（比如51会被分到50-60区间）。
• random_state=42用于固定采样的随机种子，保证每次运行得到相同的采样结果，不需要的话可以移除该参数。
• group_keys=False避免分组标签被添加到结果的索引中，保持原DataFrame的索引结构不变。

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