如何用Python实现随机分层抽样（非训练/测试拆分）

没问题！针对你这种调查、民意测验场景的分层抽样需求，完全可以用Pandas原生方法搞定，不用依赖sklearn那些面向监督学习的工具。咱们直接上干货，分几种常见场景给你讲具体实现：

核心思路 #

分层抽样的本质是先按照你关心的维度（比如年龄组、地域、职业这类分层变量）把数据集拆分成不同子组，然后在每个子组里独立做随机抽样，这样能保证样本结构和总体一致，避免抽样偏差。

1. 按比例抽取样本 #

如果想让每个分层组都抽取相同比例的样本（比如总体的20%），可以这么写：

import pandas as pd

# 假设你的数据集是df，分层列是"age_group"（比如青年/中年/老年）
stratified_sample = df.groupby("age_group", group_keys=False).apply(
    lambda x: x.sample(frac=0.2, random_state=42)
)

• group_keys=False：避免把分组键（比如age_group的取值）加到结果的索引里，让输出的DataFrame结构更干净
• frac=0.2：表示抽取每组20%的样本，你可以根据需求调整这个比例
• random_state=42：固定随机种子，保证每次抽样结果完全一致，方便复现

2. 按固定数量抽取样本 #

如果需要每个分层组都抽取固定数量的样本（比如每个组抽50个），代码如下：

stratified_sample = df.groupby("age_group", group_keys=False).apply(
    lambda x: x.sample(n=50, random_state=42)
)

小细节处理：组内样本数不足的情况 #

如果某个分层组的总样本数少于你指定的n（比如某个年龄组只有30个样本，但你想抽50个），直接运行上面的代码会报错。可以加个判断，自动取该组的全部样本：

stratified_sample = df.groupby("age_group", group_keys=False).apply(
    lambda x: x.sample(n=min(50, len(x)), random_state=42)
)

3. 多维度分层抽样 #

如果需要同时按多个维度分层（比如同时按地域和职业），只需要把多个列名放进groupby的参数里就行：

# 按"region"（地域）和"occupation"（职业）双维度分层
stratified_sample = df.groupby(["region", "occupation"], group_keys=False).apply(
    lambda x: x.sample(frac=0.2, random_state=42)
)

4. 自定义各层抽样权重 #

如果不同分层组需要不同的抽样比例（比如重点关注老年组，给他更高的抽样权重），可以先定义一个权重字典，再动态调用：

# 自定义各年龄组的抽样比例
sample_weights = {
    "青年组": 0.2,
    "中年组": 0.2,
    "老年组": 0.35  # 老年组抽取35%的样本
}

stratified_sample = df.groupby("age_group", group_keys=False).apply(
    lambda x: x.sample(frac=sample_weights[x.name], random_state=42)
)

这样就能灵活满足不同场景的抽样需求啦～

内容的提问来源于stack exchange，提问作者asl