如何按条件为Pandas DataFrame按不同权重生成随机列值

之前实现失败核心有两个原因：一是布尔条件判断没加括号，位运算符优先级高于比较运算符导致筛选逻辑失效；二是没有按分组批量生成对应权重的随机值。
直接用下面的代码即可实现需求，全程保留随机特性，不设固定随机种子时每次运行结果都不一样：

import pandas as pd
import random

# 基础人口特征生成
weight_sex = [0.55, 0.45]
options_sex = [0, 1] # 0 = 男性, 1 = 女性

weight_educ = [0.6, 26.8, 23.6, 23.6, 24.1, 1.3]
options_educ = [0, 1, 2, 3, 4, 5] # 0 = 无学历, 5 = 本科及以上

sex = pd.Series(random.choices(options_sex, weights=weight_sex, k=100), name='sex')
education = pd.Series(random.choices(options_educ, weights=weight_educ, k=100), name='education')
people = pd.concat([sex, education], axis=1)

# 就业状态参数配置
option_work = [0, 1, 2] # 0 = 失业, 1 = 非正规就业, 2 = 正规就业
weight_work_educated_man = [0.2, 0.3, 0.5]
weight_work_other_people = [0.3, 0.4, 0.3]

# 构造高学历男性分组掩码，注意每个判断条件必须单独加括号
mask_educated_male = (people['sex'] == 0) & (people['education'] > 3)

# 先生成全量普通人群的就业状态
people['work_status'] = random.choices(
    option_work,
    weights=weight_work_other_people,
    k=len(people)
)

# 替换高学历男性组的就业状态为对应权重的随机值
people.loc[mask_educated_male, 'work_status'] = random.choices(
    option_work,
    weights=weight_work_educated_man,
    k=mask_educated_male.sum()
)

关键注意点 #

• 布尔索引的语法坑：pandas中&（按位与）、|（按位或）的运算优先级高于==、>这类比较运算符，如果不给每个单独的判断条件加括号，代码会先计算0 & people['education']再做相等判断，完全偏离预期逻辑。
• 随机性保证：所有抽样都使用random.choices做带权重的有放回抽样，只要不手动设置random.seed()固定随机种子，每次运行生成的数据集都会符合设定的人群比例，同时单样本取值随机，不会出现固定结果。
• 性能说明：采用全量生成+局部分组替换的向量化实现，没有用逐行apply循环，哪怕样本量扩大到十万、百万级也能快速运行。

如果需要验证生成结果的分布是否符合权重要求，可以运行下面的代码做分组统计：

# 统计高学历男性就业分布
print(people[mask_educated_male]['work_status'].value_counts(normalize=True).sort_index())
# 统计其余人群就业分布
print(people[~mask_educated_male]['work_status'].value_counts(normalize=True).sort_index())

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