每组中子组人口比例相等的分层抽样

Question

我有一个带有组列和子组列的数据框。对于每个组，我希望它们在子组中具有相等的比例。关于如何在熊猫中实现这一目标的任何想法？

将熊猫作为pd导入将numpy导入为np

df2 = pd.DataFrame({'group':(['group1','group2']*50),
    'sub_group':['A', 'C', 'D', 'B','B','B','D','D','D','A']*10,
             'days':np.random.normal(15,3,100),
             'cost':np.random.normal(500,75,100)})


g1 = df2[df2['group']=='group1']['sub_group'].value_counts()
g1/g1.sum()

output:
D 0.6
B 0.2
A 0.2

g2 = df2[df2['group']=='group2']['sub_group'].value_counts()
g2/g2.sum()

output:
B 0.4
D 0.2
C 0.2
A 0.2

因此，从g1和g2看，它们具有4个子组的不同种群（注意C甚至不在g1中出现）。我希望有一个可扩展的函数，它可以使这两个组（g1，g2）具有与这些子组（A，B，C，D）相同的人口比例，在这种情况下，C = 0.0。

因此，我希望在此示例中获得的输出是一个数据框，其中两个组的子组比例相等，也许类似于以下内容：

g1 = df2[df2['group']=='group1']['sub_group'].value_counts()
g1/g1.sum()

output:
D 0.4
B 0.3
A 0.3

g2 = df2[df2['group']=='group1']['sub_group'].value_counts()
g2/g2.sum()

output:
B 0.4
D 0.3
A 0.3

编辑：我不是要创建数据集，我只是创建了上面的数据框以进行演示。我正在尝试将其应用于预先存在的数据，并对其进行随机下采样，以使每个数据组中子组的比例相等。

Answer 1

IIUC，您可以尝试这样的事情：

创建数据：

df2 = pd.DataFrame({'days':np.random.normal(15,3,100), 
                    'cost':np.random.normal(500,75,100)}, 
                   index=pd.MultiIndex.from_product([['group1','group2'],
                                                     ['A','C','D','B','B','B','D','D','D','A']*5]))

df2 = df2.rename_axis(['group','sub_group']).reset_index()

检查：

g1 = df2[df2['group']=='group1']['sub_group'].value_counts()
g1/g1.sum()

D    0.4
B    0.3
A    0.2
C    0.1
Name: sub_group, dtype: float64

和

g2 = df2[df2['group']=='group2']['sub_group'].value_counts()
g2/g2.sum()

D    0.4
B    0.3
A    0.2
C    0.1
Name: sub_group, dtype: float64