pandas DataFrame如何按列唯一值随机抽取指定比例的行并打标？

直接使用pandas内置的GroupBy.sample方法即可实现无遍历的向量化操作，代码极其简洁：

import pandas as pd

# 读入源数据
df = pd.read_csv('source.csv')
# 按Person分组，每组抽取10%的样本，获取选中行的索引
# 可添加random_state参数固定抽样结果，方便复现
selected_index = df.groupby('Person', group_keys=False).sample(frac=0.1, random_state=42).index
# 新增选中标记列
df['selected'] = ''
df.loc[selected_index, 'selected'] = 'bingo!'

方案优势 #

• 完全依赖pandas底层优化的向量化接口，没有显式遍历逻辑，性能远高于自定义循环/逐行apply的实现
• 代码逻辑清晰，仅需3行核心代码即可完成需求，符合Pythonic的简洁风格
• 无需额外的merge操作、辅助表、自定义判断函数，避免了不必要的内存开销和逻辑冗余

如果你的pandas版本低于1.1.0不支持GroupBy.sample，或者需要保证每组至少抽1条样本（避免组行数小于10时抽到0条的情况），可以用随机排名的方式实现：

import pandas as pd
import numpy as np

df = pd.read_csv('source.csv')
# 组内生成随机排名
df['group_rand_rank'] = df.groupby('Person')['Person'].transform(lambda x: np.random.permutation(len(x)))
# 计算每组需要抽取的样本数，max(1)保证每组至少1条
df['group_sample_cnt'] = df.groupby('Person')['Person'].transform(lambda x: max(1, int(len(x)*0.1)))
# 标记选中行
df['selected'] = np.where(df['group_rand_rank'] < df['group_sample_cnt'], 'bingo!', '')
# 清理辅助列
df.drop(columns=['group_rand_rank', 'group_sample_cnt'], inplace=True)

内容的提问来源于stack exchange，提问作者P E