如何为含特定字符串列表的每个唯一元素创建n个随机分层样本（嵌套循环？）

当然可以用嵌套循环来实现你的分层抽样需求，不过先给你理清楚整体思路，再给你具体的代码示例，还有针对百万级大数据的优化建议～

一、基础嵌套循环实现思路 #

核心逻辑是先把数据按城市编码分组，再从每个分组里随机抽取指定数量的样本，嵌套逻辑就体现在「遍历所有城市分组 + 对每个分组内的号码进行抽样」这两步上。

具体步骤：

1. 先分组：把主列表里的电话号码按城市编码归类，用字典来存储，键是城市编码，值是对应城市的所有电话号码列表。
2. 再抽样：遍历每个城市分组，从组里随机选指定数量的样本，收集到最终的样本列表中。

Python代码示例：

import random

# 假设你的mainlist结构是：[[城市编码, 电话号码], ...]
mainlist = [["010", "138xxxx1234"], ["021", "139xxxx5678"], ["010", "137xxxx9012"], ...]

# 第一步：按城市编码分组
city_phone_groups = {}
for city_code, phone_num in mainlist:
    if city_code not in city_phone_groups:
        city_phone_groups[city_code] = []
    city_phone_groups[city_code].append(phone_num)

# 设定每个城市要抽取的样本数量，比如每个城市抽5个
sample_per_city = 5
final_stratified_sample = []

# 第二步：嵌套逻辑实现抽样（外层遍历分组，内层完成抽样）
for city_code, phone_list in city_phone_groups.items():
    # 避免城市号码数不足样本量的情况，取两者的最小值
    actual_sample_size = min(sample_per_city, len(phone_list))
    # 随机抽取不重复的样本
    sampled_phones = random.sample(phone_list, actual_sample_size)
    # 把抽样结果和城市编码组合后加入最终样本
    final_stratified_sample.extend([[city_code, phone] for phone in sampled_phones])

这里的嵌套逻辑其实是外层循环遍历所有城市分组，而random.sample内部帮我们完成了对组内元素的随机选取，如果你想手动写内层循环实现抽样（比如不使用内置函数），也是可以的，不过random.sample已经足够高效且简洁，没必要重复造轮子。

二、百万级数据的高效优化方案 #

因为你的数据是百万级别的，纯Python循环虽然能跑，但效率可能不够，推荐用pandas来处理，它的分组和抽样都是经过底层优化的，处理大数据会快很多：

import pandas as pd

# 将主列表转换为DataFrame
phone_df = pd.DataFrame(mainlist, columns=["city_code", "phone_num"])

# 按城市编码分组，每个组抽取指定数量的样本
sample_per_city = 5
# 处理样本量超过组内元素的情况，同时设置random_state保证抽样可复现
stratified_sample_df = phone_df.groupby("city_code").apply(
    lambda group: group.sample(n=min(sample_per_city, len(group)), random_state=42)
)

# 如果需要转回列表格式
final_stratified_sample = stratified_sample_df.reset_index(drop=True).values.tolist()

关键注意事项 #

• 必须处理城市号码数量小于指定样本量的情况，否则会触发抽样报错，用min()函数就能轻松规避。
• 如果需要可重复的抽样结果，记得给抽样函数加上random_state参数（比如random_state=42）。
• 如果内存不足以一次性加载百万级数据，可以考虑分块读取数据，逐步完成分组和抽样，避免内存溢出。

内容的提问来源于stack exchange，提问作者Sven