隨機抽樣，是統計學中常用的一種方法，它可以幫助我們從大量的數據中快速地構建出一組數據分析模型。在 Pandas 中，如果想要對數據集進行隨機抽樣，需要使用 sample() 函數。
sample() 函數的語法格式如下：
DataFrame.sample(n=None, frac=None, replace=False, weights=None, random_state=None, axis=None)
參數說明如下表所示：
| 參數名稱 | 參數說明 |
|---|---|
| n | 表示要抽取的行數。 |
| frac | 表示抽取的比例，比如 frac=0.5，代表抽取總體數據的50%。 |
| replace | 布爾值參數，表示是否以有放回抽樣的方式進行選擇，默認為 False，取出數據后不再放回。 |
| weights | 可選參數，代表每個樣本的權重值，參數值是字符串或者數組。 |
| random_state | 可選參數，控制隨機狀態，默認為 None，表示隨機數據不會重復；若為 1 表示會取得重復數據。 |
| axis | 表示在哪個方向上抽取數據(axis=1 表示列/axis=0 表示行)。 |
該函數返回與數據集類型相同的新對象，相當於 numpy.random.choice()。實例如下：
import pandas as pd dict = {'name':["Jack", "Tom", "Helen", "John"],'age': [28, 39, 34, 36],'score':[98,92,91,89]} info = pd.DataFrame(dict) #默認隨機選擇兩行 print(info.sample(n=2)) #隨機選擇兩列 print(info.sample(n=2,axis=1))
輸出結果：
name age score 2 Helen 34 91 3 John 36 89 age name 0 28 Jack 1 39 Tom 2 34 Helen 3 36 John
再來看一組示例：
import pandas as pd info = pd.DataFrame({'data1': [2, 6, 8, 0], 'data2': [2, 5, 0, 8], 'data3': [12, 2, 1, 8]}, index=['John', 'Parker', 'Smith', 'William']) info #隨機抽取3個數據 info['data1'].sample(n=3) #總體的50% info.sample(frac=0.5, replace=True) #data3序列為權重值，並且允許重復數據出現 info.sample(n=2, weights='data3', random_state=1)
輸出結果：
隨機選擇3行數據：
William 0
Smith 8
Parker 6
Name: data1, dtype: int64
data1 data2 data3
John 2 2 12
William 0 8 8
data1 data2 data3
John 2 2 12
William 0 8 8
數據重采樣是將時間序列從一個頻率轉換至另一個頻率的過程，它主要有兩種實現方式，分別是降采樣和升采樣，降采樣指將高頻率的數據轉換為低頻率，升采樣則與其恰好相反，說明如下：
| 方法 | 說明 |
|---|---|
| 降采樣 | 將高頻率(間隔短)數據轉換為低頻率(間隔長)。 |
| 升采樣 | 將低頻率數據轉換為高頻率。 |
Pandas 提供了 resample() 函數來實現數據的重采樣。
降采樣
通過 resample() 函數完成數據的降采樣，比如按天計數的頻率轉換為按月計數。
import pandas as pd import numpy as np rng = pd.date_range('1/1/2021',periods=100,freq='D') ts = pd.Series(np.random.randn(len(rng)),index=rng) #降采樣后並聚合 ts.resample('M').mean()
輸出結果：
2021-01-31 0.210353 2021-02-28 -0.058859 2021-03-31 -0.182952 2021-04-30 0.205254 Freq: M, dtype: float64
如果您只想看到月份，那么您可以設置kind=period如下所示：
ts.resample('M',kind='period').mean()
輸出結果：
2021-01 -0.153121 2021-02 0.136231 2021-03 -0.238975 2021-04 -0.309502 Freq: M, dtype: float64
升采樣
升采樣是將低頻率（時間間隔）轉換為高頻率，示例如下：
import pandas as pd import numpy as np #生成一份時間序列數據 rng = pd.date_range('1/1/2021', periods=20, freq='3D') ts = pd.Series(np.random.randn(len(rng)), index=rng) print(ts.head()) #使用asfreq()在原數據基礎上實現頻率轉換 ts.resample('D').asfreq().head()
輸出結果：
升采樣前： 2021-01-01 0.608716 2021-01-04 1.097451 2021-01-07 -1.280173 2021-01-10 -0.175065 2021-01-13 1.046831 Freq: 3D, dtype: float64 升采樣后： 2021-01-01 0.608716 2021-01-02 NaN 2021-01-03 NaN 2021-01-04 1.097451 2021-01-05 NaN Freq: D, dtype: float64
頻率轉換
asfreq() 方法不僅能夠實現頻率轉換，還可以保留原頻率對應的數值，同時它也可以單獨使用，示例如下：
index = pd.date_range('1/1/2021', periods=6, freq='T') series = pd.Series([0.0, None, 2.0, 3.0,4.0,5.0], index=index) df = pd.DataFrame({'s':series}) print(df.asfreq("45s"))
輸出結果：
num 2021-01-01 00:00:00 0.0 2021-01-01 00:00:45 NaN 2021-01-01 00:01:30 NaN 2021-01-01 00:02:15 NaN 2021-01-01 00:03:00 3.0 2021-01-01 00:03:45 NaN 2021-01-01 00:04:30 NaN
插值處理
從上述示例不難看出，升采樣的結果會產生缺失值，那么就需要對缺失值進行處理，一般有以下幾種處理方式：
| 方法 | 說明 |
|---|---|
| pad/ffill | 用前一個非缺失值去填充缺失值。 |
| backfill/bfill | 用后一個非缺失值去填充缺失值。 |
| interpolater('linear') | 線性插值方法。 |
| fillna(value) | 指定一個值去替換缺失值。 |
下面使用插值方法處理 NaN 值，示例如下：
import pandas as pd import numpy as np #創建時間序列數據 rng = pd.date_range('1/1/2021', periods=20, freq='3D') ts = pd.Series(np.random.randn(len(rng)), index=rng) print(ts.resample('D').asfreq().head()) #使用ffill處理缺失值 ts.resample('D').asfreq().ffill().head()
輸出結果：
2021-01-01 0.555580 2021-01-02 NaN 2021-01-03 NaN 2021-01-04 -0.079324 2021-01-05 NaN Freq: D, dtype: float64 #插值處理，注意對比 2021-01-01 0.555580 2021-01-02 0.555580 2021-01-03 0.555580 2021-01-04 -0.079324 2021-01-05 -0.079324 Freq: D, dtype: float64