Вывод:
Пример 2. Использование параметра n, который случайным образом выбирает n номера строк.
Выбрать n строку числа случайным образом, используя sample (n) или sample (n = n) . Каждый раз, когда вы запускаете это, вы получаете n разных строк.

# Чтобы получить 3 случайные строки
# это дает каждый раз 3 разные строки

# df .sample (3) или
df.sample (n = 3 )
Вывод:
Пример 3: Использование параметра frac .
Вы можете сделать часть элементов оси и получить линии. Например, если frac = .5 , метод fetch возвращает 50 % строк.

# Строка дробь

# здесь вы получите .50% строк
df.sample (frac = 0,5 )
Вывод:

Пример 4.
Во-первых, извлекается 70% строк всего dataframe df и помещаем в другой фрейм данных df1, после чего выбираем 50% frac из df1.

# часть строки
< br> # здесь вы получаете 70% строки из df
# make put in a другой фрейм данных df1
df1 = df .sample(frac = . 7 )

# Теперь выберите 50% строк из df1
df1.sample (frac = . 50 )

Вывод:
Пример 5: случайный выбор нескольких строк с параметром replace = false
replace d Дает разрешение на выбор одной строки много раз (например). Значение по умолчанию для параметра замены метода sample() — False, поэтому вы никогда не выберете больше, чем общее количество строк.

< td class ="code ">
# Dataframe df имеет только 4 строки

# если мы попробуйте выбрать более 4 строк, появится ошибка
# Невозможно взять выборку больше, чем совокупность, когда & # 39; заменить = Ложь & # 39;
df1.sample(n = 3 , заменить = False )

Вывод:

Пример 6 Выберите более n строки, где n — общее количество строк с использованием replace .

< td class ="code ">
# Выберите больше строк с заменой
# по умолчанию False
df1.sample (n = 6 , заменить = True )
Вывод:
Пример 7. Использование весов

Вывод:
Пример 9: Использование random_state
Для заданного DataFrame выборка всегда будет извлекать одни и те же строки. Если random_state имеет значение None или np.random , то возвращается случайным образом инициализированный объект RandomState.

# С этим seed образец всегда будет рисовать одни и те же линии.

# Если random_state равно None или np. random,
# затем случайным образом инициализируется
# Возвращается объект RandomState.
df1.sample (n = 2 , random_state = 2 )
Вывод:
–° учебник № 2: Использование NumPy
Numpy выбрал количество индексов включить для случайного выбора, и мы можем разрешить замену.
# Pandas Import and Numpy Package
import numpy as np
import pandas as pd

# Определите словарь, содержащий данные о сотрудниках
данные = { `Имя` : [ `Jai` , ` Princi` , `Гаурав` , ` Ану дж` , `Geeku` ], < / p>
`Возраст` : [ 27 , 24 , 22 , 32 , 15 ],
`Адрес` : [ <код e class ="string">` Дели` , `Kanpur` , ` Аллахабад` , `Kannauj` , ` Noida` ],
`Квалификация` : [ ` Msc` , `MA` , ` MCA` , `Phd` , ` 10th` ]}
# Преобразование словаря в DataFrame
df = pd.DataFrame (data)
# Выберите, сколько индексов следует включить для случайного выбора
selected_idx = np.random.choice ( 4 , заменить = True , size = 6 )
df2 = df.iloc [chosen_idx] df2
Вывод:
< img src = "http://espressocode.top/images/vallthropaderoxbea895981.jpg" />

# Веса будут переконфигурированы автоматически
test_weights = [ 0.2 , 0.2 , 0,2 , 0,4 ]

df1.sample (n = 3 , веса = test_weights)
Вывод:
Пример 8: Использование оси

Ось принимает номер или имя. Метод sample() также позволяет пользователям выбирать столбцы вместо строк с помощью аргумента оси.

# Принимает номер или имя оси.

# пример также позволяет пользователям выбирать столбцы
# вместо строк с помощью аргумент оси.
df1.sample (ось = 0 )