Pandas DataFrame分层抽样：保留label列占比并解决异常多级索引问题

原抽样逻辑已经实现了分层比例保留的核心需求，出现二级索引的原因是groupby方法的默认参数group_keys=True——该参数在启用时，会自动将分组键值作为外层索引拼接apply返回的各分组结果，最终形成带label层级的多级索引结构，并非抽样逻辑本身存在错误。

方案1：修改groupby参数适配无多余索引的输出 #

直接在groupby调用时指定group_keys=False，关闭自动添加分组键为索引的行为，最后统一重置为连续整数索引即可：

sampled_df = (
    df.groupby('label', group_keys=False)  # 关闭分组键自动加为外层索引的逻辑
      .apply(lambda x: x.sample(frac=0.3, random_state=1))
      .reset_index(drop=True)  # 重排为从0开始的连续整数索引
)

• 抽样逻辑和原有写法完全一致，每个label分组按30%的比例无偏抽样，严格保持两类的原始占比
• 输出的DataFrame为单级连续整数索引，和常规DataFrame结构完全一致

方案2：使用专用分层抽样工具实现 #

不需要手动拼接分组逻辑，直接调用scikit-learn的分层拆分接口完成抽样，代码更简洁：

from sklearn.model_selection import train_test_split

# 拆分时指定按label分层抽取30%的样本，丢弃剩下70%的样本
_, sampled_df = train_test_split(
    df,
    test_size=0.3,
    stratify=df['label'],  # 指定按label列做分层，保持原始类别占比
    random_state=1
)
sampled_df = sampled_df.reset_index(drop=True)

• 内部实现同样是按每个类别独立抽样，最终输出的类别占比和原数据集完全一致
• 接口经过多版本迭代兼容，不会出现多余人索引层级

结果校验 #

抽样完成后可通过两行代码确认是否符合要求：

# 校验类别占比，应输出1占0.6、0占0.4
print(sampled_df['label'].value_counts(normalize=True).round(2))
# 校验索引格式，应为常规连续整数RangeIndex
print(sampled_df.index)

内容的提问来源于stack exchange，提问作者teller.py3