如何用pandas各取真实、虚假账号数据集50%样本合并为新数据集？

你当前场景不需要用.join()，这个方法是用来横向拼接不同字段的，你需要的是先分别对两类账号做随机抽样，再纵向拼接样本行即可，具体步骤如下：

• 先给两个数据集新增类别标签列，避免拼接后无法区分样本所属类别
• 确定单类样本的抽样数量：如果要抽取每个数据集自身半数样本，直接取对应数据集总行数的50%即可；如果要保证最终数据集两类样本严格1:1（更常用的平衡采样逻辑），取两个数据集样本量的最小值作为单类抽样数即可，避免某类样本总量不足
• 用pandas内置的.sample()方法做无放回随机抽样，固定random_state参数可以保证结果可复现
• 用pd.concat()纵向拼接两个抽样后的子集，最后打乱整体行顺序就得到最终数据集

场景1：抽取每个数据集自身半数样本合并 #

该方式要求两个原始数据集的总行数一致，才能保证合并后真假账号刚好各占50%，完整代码如下：

import pandas as pd

# 已完成的数据集导入
dataset_genuine = pd.read_csv('users_genuine.csv')
dataset_fake = pd.read_csv('users_fake.csv')

# 新增类别标签列
dataset_genuine['label'] = 'genuine'
dataset_fake['label'] = 'fake'

# 计算单类半数抽样量，向下取整避免样本数溢出
sample_num_genuine = int(len(dataset_genuine) * 0.5)
sample_num_fake = int(len(dataset_fake) * 0.5)

# 无放回随机抽样
genuine_subset = dataset_genuine.sample(n=sample_num_genuine, random_state=42, replace=False)
fake_subset = dataset_fake.sample(n=sample_num_fake, random_state=42, replace=False)

# 纵向拼接并重置索引
balanced_df = pd.concat([genuine_subset, fake_subset], ignore_index=True)
# 打乱整体行顺序，避免真假样本分段聚集
balanced_df = balanced_df.sample(frac=1, random_state=42).reset_index(drop=True)

场景2：通用1:1平衡采样（推荐） #

如果两个原始数据集的总行数差异较大，抽各自半数会导致最终占比偏离1:1，此时取两类样本的最小总量作为统一抽样量即可，仅需要修改抽样量计算部分的代码：

# 取两类样本的最小总量作为单类抽样数，保证两类样本量完全相等
sample_num = min(len(dataset_genuine), len(dataset_fake))
# 如果仍想保留“抽半数”的逻辑，可以把抽样量设为最小总量的一半
# sample_num = int(min(len(dataset_genuine), len(dataset_fake)) * 0.5)

genuine_subset = dataset_genuine.sample(n=sample_num, random_state=42, replace=False)
fake_subset = dataset_fake.sample(n=sample_num, random_state=42, replace=False)

balanced_df = pd.concat([genuine_subset, fake_subset], ignore_index=True)
balanced_df = balanced_df.sample(frac=1, random_state=42).reset_index(drop=True)

补充说明：如果需要验证最终数据集的类别占比，可以执行print(balanced_df['label'].value_counts(normalize=True))，输出结果会显示两类样本的占比，确认是否符合各50%的要求。

内容的提问来源于stack exchange，提问作者Xie