以相等的概率从 Pandas 组中随机选择——意外行为

Question

我尝试从 12 个独特的组中随机抽样，每个组都有不同数量的观察值。我想从整个人口（数据框）中随机抽样，每组具有相同的被选中概率。最简单的示例是具有 2 个组的数据框。

    groups  probability
0       a       0.25
1       a       0.25
2       b       0.5

使用np.random.choice(df['groups'], p=df['probability'], size=100) 现在每次迭代都有 50% 的机会选择group a 和 50% 的机会选择group b

为了得出概率，我使用了以下公式：

(1. / num_groups) / size_of_groups

或在 Python 中：

num_groups = len(df['groups'].unique())  # 2
size_of_groups = df.groupby('label').size()  # {a: 2, b: 1}
(1. / num_groups) / size_of_groups

返回

    groups
a    0.25
b    0.50

这很有效，直到我超过 10 个独特的组，之后我开始得到奇怪的分布。这是一个小例子：

np.random.seed(1234)

group_size = 12
groups = np.arange(group_size)

probs = np.random.uniform(size=group_size)
probs = probs / probs.sum()

g = np.random.choice(groups, size=10000, p=probs)
df = pd.DataFrame({'groups': g})

prob_map = ((1. / len(df['groups'].unique())) / df.groupby('groups').size()).to_dict()

df['probability'] = df['groups'].map(prob_map)

plt.hist(np.random.choice(df['groups'], p=df['probability'], size=10000, replace=True))
plt.xticks(np.arange(group_size))
plt.show()

我希望样本量足够大的分布相当均匀，但是当组数为 11+ 时，我会得到这些翅膀。如果我将 group_size 变量更改为 10 或更低，我确实得到了所需的均匀分布。

我不知道问题出在我的概率计算公式上，还是浮点精度问题？任何人都知道完成此操作的更好方法或此示例的修复方法？

提前致谢！

Answer 1

您正在使用hist，默认为10 垃圾箱...

plt.rcParams['hist.bins']

10

---

将group_size 作为bins 参数传递。

plt.hist(
    np.random.choice(df['groups'], p=df['probability'], size=10000, replace=True),
    bins=group_size)

Answer 2

您的计算没有问题。你得到的数组是：

arr = np.random.choice(df['groups'], p=df['probability'], size=10000, replace=True)

如果您检查值计数：

pd.Series(arr).value_counts().sort_index()
Out: 
0     855
1     800
2     856
3     825
4     847
5     835
6     790
7     847
8     834
9     850
10    806
11    855
dtype: int64

它非常接近于均匀分布。问题在于直方图的默认箱数 (10)。相反，试试这个：

bins = np.linspace(-0.5, 10.5, num=12)
pd.Series(arr).plot.hist(bins=bins)