如何对欠采样后的train_df与test_df同步打乱并保持行对应顺序？

独立对每个DataFrame单独调用df.sample(frac=1)完全不适用，会直接破坏数据的匹配关系，核心原因：

• 每次调用sample()方法时，如果不手动指定随机种子，pandas会基于全局随机状态生成独立的随机索引序列，会出现特征行和对应标签行错位的问题，比如特征表的第3行打乱后排到了第1位，对应标签表的第3行可能被排到了第5位，最终训练用的特征和标签完全不匹配，模型训练结果会完全失效。
• 就算给每个sample()调用传入相同的随机种子也无法保证对齐：不同行数、索引结构的DataFrame，哪怕种子完全一致，生成的打乱索引序列也不匹配，没法满足跨表行顺序一致的要求。

核心实现逻辑：生成一套和数据集长度完全匹配的随机行索引，把这套索引同时套用到对应的特征表和标签表上，就能从根源上保证行的对应关系不会错位。结合你当前的代码结构，有两种可落地的实现方式：

方法1：手动生成随机索引复用 #

全程不依赖额外第三方库，纯numpy+pandas即可实现：

import numpy as np

# 固定随机种子，保证打乱结果可复现
np.random.seed(42)

# 为训练集生成长度匹配的随机索引
train_idx = np.random.permutation(len(X_train))
# 同一份索引同时应用到特征和标签上，完全保证行对齐
X_train_shuffled = X_train.iloc[train_idx].reset_index(drop=True)
y_train_shuffled = y_train.iloc[train_idx].reset_index(drop=True)

# 为测试集生成独立的随机索引
test_idx = np.random.permutation(len(X_test))
# 同样把同一份索引套用到测试集的特征和标签上
X_test_shuffled = X_test.iloc[test_idx].reset_index(drop=True)
y_test_shuffled = y_test.iloc[test_idx].reset_index(drop=True)

注意要点：

• 一定要调用reset_index(drop=True)，把打乱后的行索引重新从0开始排序，避免后续因索引错乱引发的计算错误
• 训练集和测试集的打乱索引是独立生成的，不会互相干扰，也不需要刻意用不同的随机种子

方法2：使用内置shuffle工具批量对齐打乱 #

可以直接调用scikit-learn提供的shuffle工具，这个工具的原生特性就是支持一次传入多个数据集，自动生成统一的随机索引，保证所有输入数据集的行顺序完全对齐，不需要手动管理索引：

from sklearn.utils import shuffle

# 传入训练集的特征和标签，返回结果行顺序完全匹配
X_train_shuffled, y_train_shuffled = shuffle(
    X_train, y_train, random_state=42
)

# 传入测试集的特征和标签，保持内部行匹配
X_test_shuffled, y_test_shuffled = shuffle(
    X_test, y_test, random_state=42
)

经过上述操作打乱后，原本连续排列的前半段全为类别0、后半段全为类别1的结构会被打散，同类别标签会均匀分布在整个数据集的各个位置，可避免模型训练时连续批次接触单类别样本引发的梯度偏移问题，完全适配模型的训练要求。

常见误区：部分开发者会选择把X和y按列合并为一个完整的DataFrame，再对合并后的表调用df.sample(frac=1)打乱，最后拆出特征和标签。这个方法虽然能实现行对齐，但会产生额外的内存开销，对于大尺寸的文本毒性评论数据集来说，效率远低于直接复用索引的实现方式。

内容的提问来源于stack exchange，提问作者Eby21