如何基于标签列对pandas DataFrame做下采样，实现每类样本数量一致

你需要对数据集做随机下采样，将每个类别的样本量统一对齐到所有类别的最小样本数即可，具体实现步骤如下： #

步骤1：计算所有类别最小样本数 #

首先统计每个标签的样本量，取最小值作为统一采样的数量：

import pandas as pd

# 假设你的原始数据集命名为 df
min_sample_count = df["label"].value_counts().min()

这里计算出来的min_sample_count就是你给出的615。 #

步骤2：按类别分组采样 #

使用groupby对标签分组，对每个分组随机抽取对应数量的样本：

# 随机下采样，设置random_state固定随机种子可复现结果
balanced_df = df.groupby("label", group_keys=False)\
                .apply(lambda group: group.sample(n=min_sample_count, random_state=42))\
                .reset_index(drop=True)

参数说明： #

• group_keys=False：避免分组后额外生成label层级的索引
• random_state=42：固定随机种子，每次运行得到的采样结果一致，可根据需求修改或删除
• reset_index(drop=True)：重置最终数据集的索引，删除原始数据集的行号

可选：非随机按顺序采样 #

如果你不需要随机采样，只需要取每个类别最前面的N条数据，可以把sample方法替换为head：

balanced_df = df.groupby("label", group_keys=False)\
                .apply(lambda group: group.head(min_sample_count))\
                .reset_index(drop=True)

结果验证 #

运行以下代码可以验证采样结果是否符合要求：

# 统计每个类别的样本量，应该全部等于615
print(balanced_df["label"].value_counts())
# 查看总长度，应该等于 8*615 = 4920
print(len(balanced_df))

内容的提问来源于stack exchange，提问作者Adrian