python - 每个唯一值采样一条记录（pandas，python）

Question

我使用 python-pandas 数据框，并且我有一个包含用户及其数据的大型数据框。每个用户可以有多个行。我想为每个用户采样 1 行。我目前的解决方案似乎效率不高：

df1 = pd.DataFrame({'User': ['user1', 'user1', 'user2', 'user3', 'user2', 'user3'],
                 'B': ['B', 'B1', 'B2', 'B3','B4','B5'],
                 'C': ['C', 'C1', 'C2', 'C3','C4','C5'],
                 'D': ['D', 'D1', 'D2', 'D3','D4','D5'],
                 'E': ['E', 'E1', 'E2', 'E3','E4','E5']},
                 index=[0, 1, 2, 3,4,5])

df1
>>  B   C   D   E   User
0   B   C   D   E   user1
1   B1  C1  D1  E1  user1
2   B2  C2  D2  E2  user2
3   B3  C3  D3  E3  user3
4   B4  C4  D4  E4  user2
5   B5  C5  D5  E5  user3

userList = list(df1.User.unique())
userList
> ['user1', 'user2', 'user3']

I 循环遍历唯一用户列表并为每个用户采样一行，将它们保存到不同的数据框

usersSample = pd.DataFrame() # empty dataframe, to save samples
for i in userList:
    usersSample=usersSample.append(df1[df1.User == i].sample(1)) 

> usersSample   
B   C   D   E   User
0   B   C   D   E   user1
4   B4  C4  D4  E4  user2
3   B3  C3  D3  E3  user3

有没有更有效的方法来实现这一目标？我真的很想：1）避免附加到数据框usersSample。这是一个逐渐增长的对象，它严重影响了性能。2）避免一次循环一个用户。有没有办法更有效地对每个用户进行 1 次采样？

Answer 1

这就是你想要的：

df1.groupby('User').apply(lambda df: df.sample(1))

没有额外的索引：

df1.groupby('User', group_keys=False).apply(lambda df: df.sample(1))

Answer 2

根据每个用户的行数，这可能会更快：

df.sample(frac=1).drop_duplicates(['User'])

Answer 3

df1_user_sample_one = df1.groupby('User').apply(lambda x:x.sample(1)) 

使用 DataFrame.groupby.apply 和 lambda 函数采样 1

Answer 4

.drop_duplicates应该可以正常工作：

df1.drop_duplicates(subset='User')

这将在“用户”列中保留每个第一次出现的值并返回相应的行。