以等概率从 Pandas 组中随机选择——意外行为

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。我想从整个群体（数据框）中随机抽样，每个组都有相同的被选择概率。最简单的例子是一个包含 2 个组的数据框。

    groups  probability
0       a       0.25
1       a       0.25
2       b       0.5

using 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并且有 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

或者在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

哪个返回

    groups
a    0.25
b    0.50

这非常有效，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()

我期望在足够大的样本量下得到相当均匀的分布，但是当组数超过 11 时我得到了这些翅膀。如果我改变group_size变量为 10 或更低，我确实得到了所需的均匀分布。

我无法判断问题是否出在我计算概率的公式上，或者可能是浮点精度问题？有人知道更好的方法来完成此任务，或者解决此示例吗？

提前致谢！

您正在使用hist https://matplotlib.org/devdocs/api/_as_gen/matplotlib.pyplot.hist.html默认为10垃圾箱...

plt.rcParams['hist.bins']

10

pass group_size as the bins范围。

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