Làm cách nào để trộn dữ liệu ngẫu nhiên trong python?
|
Trong hướng dẫn này, bạn sẽ học cách xáo trộn các hàng trong Khung dữ liệu Pandas bằng Python. Bạn sẽ học cách xáo trộn Khung dữ liệu Pandas của mình bằng phương pháp # Loading a Sample Pandas Dataframe
import pandas as pd
df = pd.DataFrame.from_dict({
'Name': ['Nik', 'Kate', 'Kevin', 'Evan', 'Jane', 'Kyra', 'Melissa'],
'Gender': ['Male', 'Female', 'Male', 'Male', 'Female', 'Female', 'Female'],
'January': [90, 95, 75, 93, 60, 85, 75],
'February': [95, 95, 75, 65, 50, 85, 100],
})
print(df.head())
# Returns:
# Name Gender January February
# 0 Nik Male 90 95
# 1 Kate Female 95 95
# 2 Kevin Male 75 75
# 3 Evan Male 93 65
# 4 Jane Female 60 507 của Pandas, phương pháp # Loading a Sample Pandas Dataframe
import pandas as pd
df = pd.DataFrame.from_dict({
'Name': ['Nik', 'Kate', 'Kevin', 'Evan', 'Jane', 'Kyra', 'Melissa'],
'Gender': ['Male', 'Female', 'Male', 'Male', 'Female', 'Female', 'Female'],
'January': [90, 95, 75, 93, 60, 85, 75],
'February': [95, 95, 75, 65, 50, 85, 100],
})
print(df.head())
# Returns:
# Name Gender January February
# 0 Nik Male 90 95
# 1 Kate Female 95 95
# 2 Kevin Male 75 75
# 3 Evan Male 93 65
# 4 Jane Female 60 508 của sklearn, cũng như phương pháp # Loading a Sample Pandas Dataframe
import pandas as pd
df = pd.DataFrame.from_dict({
'Name': ['Nik', 'Kate', 'Kevin', 'Evan', 'Jane', 'Kyra', 'Melissa'],
'Gender': ['Male', 'Female', 'Male', 'Male', 'Female', 'Female', 'Female'],
'January': [90, 95, 75, 93, 60, 85, 75],
'February': [95, 95, 75, 65, 50, 85, 100],
})
print(df.head())
# Returns:
# Name Gender January February
# 0 Nik Male 90 95
# 1 Kate Female 95 95
# 2 Kevin Male 75 75
# 3 Evan Male 93 65
# 4 Jane Female 60 509 của Numpy. Bạn cũng sẽ tìm hiểu lý do tại sao nên xáo trộn dữ liệu của mình, cũng như cách xáo trộn dữ liệu và có thể tạo lại kết quả của bạn. Cuối cùng, bạn sẽ biết phương pháp nào là phương pháp nhanh nhất Show
Có thể xáo trộn Pandas Dataframe là một nhiệm vụ mà bạn thường muốn thực hiện trước khi thực hiện bất kỳ loại hình đào tạo mô hình máy học nào. Vì dữ liệu của chúng tôi thường được sắp xếp theo một cách cụ thể (ví dụ: theo ngày hoặc theo khu vực địa lý), nên chúng tôi muốn đảm bảo rằng dữ liệu của mình mang tính đại diện. Vì điều này, chúng tôi sẽ muốn xáo trộn khung dữ liệu Pandas của mình trước khi thực hiện bất kỳ mô hình nào Bởi vì các mô hình máy học của chúng tôi thường sẽ dựa trên một mẫu dữ liệu nhỏ hơn, nên chúng tôi muốn đảm bảo rằng dữ liệu mà chúng tôi chọn là đại diện cho phân phối thực sự của dữ liệu của chúng tôi Câu trả lời nhanh. Sử dụng Phương pháp # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 850 của Pandas để xáo trộn khung dữ liệu của bạn # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 851 Mục lục
Đang tải một khung dữ liệu Pandas mẫuTrong khối mã bên dưới, bạn sẽ tìm thấy một số mã Python để tạo một Khung dữ liệu Pandas mẫu. Nếu bạn muốn làm theo từng dòng hướng dẫn này, vui lòng sao chép mã bên dưới theo thứ tự. Bạn cũng có thể sử dụng khung dữ liệu của riêng mình, nhưng tất nhiên, kết quả của bạn sẽ khác với kết quả trong hướng dẫn # Loading a Sample Pandas Dataframe
import pandas as pd
df = pd.DataFrame.from_dict({
'Name': ['Nik', 'Kate', 'Kevin', 'Evan', 'Jane', 'Kyra', 'Melissa'],
'Gender': ['Male', 'Female', 'Male', 'Male', 'Female', 'Female', 'Female'],
'January': [90, 95, 75, 93, 60, 85, 75],
'February': [95, 95, 75, 65, 50, 85, 100],
})
print(df.head())
# Returns:
# Name Gender January February
# 0 Nik Male 90 95
# 1 Kate Female 95 95
# 2 Kevin Male 75 75
# 3 Evan Male 93 65
# 4 Jane Female 60 50Chúng ta có thể thấy rằng khung dữ liệu của chúng ta có bốn cột. hai chứa chuỗi và hai chứa giá trị số Xáo trộn một khung dữ liệu Pandas với mẫuMột trong những cách dễ nhất để xáo trộn Pandas Dataframe là sử dụng phương pháp Pandas # Loading a Sample Pandas Dataframe
import pandas as pd
df = pd.DataFrame.from_dict({
'Name': ['Nik', 'Kate', 'Kevin', 'Evan', 'Jane', 'Kyra', 'Melissa'],
'Gender': ['Male', 'Female', 'Male', 'Male', 'Female', 'Female', 'Female'],
'January': [90, 95, 75, 93, 60, 85, 75],
'February': [95, 95, 75, 65, 50, 85, 100],
})
print(df.head())
# Returns:
# Name Gender January February
# 0 Nik Male 90 95
# 1 Kate Female 95 95
# 2 Kevin Male 75 75
# 3 Evan Male 93 65
# 4 Jane Female 60 507. Phương thức # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 853 cho phép bạn lấy mẫu một số hàng trong Khung dữ liệu Pandas theo thứ tự ngẫu nhiên. Do đó, chúng tôi chỉ cần xác định rằng chúng tôi muốn trả về toàn bộ Khung dữ liệu Pandas, theo thứ tự ngẫu nhiên Để thực hiện việc này, chúng tôi áp dụng phương thức # Loading a Sample Pandas Dataframe
import pandas as pd
df = pd.DataFrame.from_dict({
'Name': ['Nik', 'Kate', 'Kevin', 'Evan', 'Jane', 'Kyra', 'Melissa'],
'Gender': ['Male', 'Female', 'Male', 'Male', 'Female', 'Female', 'Female'],
'January': [90, 95, 75, 93, 60, 85, 75],
'February': [95, 95, 75, 65, 50, 85, 100],
})
print(df.head())
# Returns:
# Name Gender January February
# 0 Nik Male 90 95
# 1 Kate Female 95 95
# 2 Kevin Male 75 75
# 3 Evan Male 93 65
# 4 Jane Female 60 507 cho khung dữ liệu của mình và yêu cầu phương thức trả về toàn bộ khung dữ liệu bằng cách chuyển vào # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 855. Điều này hướng dẫn Pandas trả lại 100% khung dữ liệu Hãy thử điều này trong Pandas # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 85 Chúng ta có thể thấy rằng bằng cách áp dụng phương pháp # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 856, khung dữ liệu đã được xáo trộn theo thứ tự ngẫu nhiên. Tuy nhiên, chúng tôi có thể thấy rằng các giá trị chỉ mục ban đầu của chúng tôi được duy trì. Chúng tôi có thể đặt lại chỉ mục của mình bằng phương pháp Pandas # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 857, phương pháp này sẽ đặt lại chỉ mục của chúng tôi để được sắp xếp từ 0 trở đi. Hãy xem nó trông như thế nào________số 8 Trong phần tiếp theo, bạn sẽ tìm hiểu cách xáo trộn Khung dữ liệu Pandas bằng cách sử dụng # Loading a Sample Pandas Dataframe
import pandas as pd
df = pd.DataFrame.from_dict({
'Name': ['Nik', 'Kate', 'Kevin', 'Evan', 'Jane', 'Kyra', 'Melissa'],
'Gender': ['Male', 'Female', 'Male', 'Male', 'Female', 'Female', 'Female'],
'January': [90, 95, 75, 93, 60, 85, 75],
'February': [95, 95, 75, 65, 50, 85, 100],
})
print(df.head())
# Returns:
# Name Gender January February
# 0 Nik Male 90 95
# 1 Kate Female 95 95
# 2 Kevin Male 75 75
# 3 Evan Male 93 65
# 4 Jane Female 60 507, đồng thời có thể tái tạo kết quả của mìnhTái tạo khung dữ liệu Pandas xáo trộn của bạnMột trong những khía cạnh quan trọng của khoa học dữ liệu là khả năng tái tạo kết quả của bạn. Khi bạn áp dụng phương pháp # Loading a Sample Pandas Dataframe
import pandas as pd
df = pd.DataFrame.from_dict({
'Name': ['Nik', 'Kate', 'Kevin', 'Evan', 'Jane', 'Kyra', 'Melissa'],
'Gender': ['Male', 'Female', 'Male', 'Male', 'Female', 'Female', 'Female'],
'January': [90, 95, 75, 93, 60, 85, 75],
'February': [95, 95, 75, 65, 50, 85, 100],
})
print(df.head())
# Returns:
# Name Gender January February
# 0 Nik Male 90 95
# 1 Kate Female 95 95
# 2 Kevin Male 75 75
# 3 Evan Male 93 65
# 4 Jane Female 60 507 cho một khung dữ liệu, nó sẽ trả về một khung dữ liệu mới được xáo trộn mỗi lầnChúng tôi có thể tái tạo kết quả của mình bằng cách chuyển một giá trị vào đối số # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1).reset_index() print(shuffled.head()) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 1 Kevin Male 75 75 # 2 Melissa Female 75 100 # 3 Kate Female 95 95 # 4 Evan Male 93 650. Chúng ta có thể chỉ cần chuyển vào một giá trị số nguyên và khung dữ liệu được xáo trộn sẽ trông giống nhau mỗi lần Tại sao sử dụng # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1).reset_index() print(shuffled.head()) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 1 Kevin Male 75 75 # 2 Melissa Female 75 100 # 3 Kate Female 95 95 # 4 Evan Male 93 651? . Điều này có thể đặc biệt hữu ích khi những người khác đang xem xét và sao chép kết quả của bạn. Nó cũng rất hữu ích trong việc có thể khắc phục sự cố mã của bạn một cách chính xác Hãy xem cách nó hoạt động # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 851 Khi chúng tôi chạy lại mã này, bây giờ chúng tôi nhận được kết quả giống nhau mỗi lần Xáo trộn khung dữ liệu Pandas với tính năng xáo trộn của Scikit LearnMột cách hữu ích khác để chọn ngẫu nhiên Pandas Dataframe là sử dụng thư viện máy học, # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1).reset_index() print(shuffled.head()) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 1 Kevin Male 75 75 # 2 Melissa Female 75 100 # 3 Kate Female 95 95 # 4 Evan Male 93 652. Một trong những lợi ích chính của phương pháp này là bạn có thể dễ dàng xây dựng nó vào các quy trình sklearn của mình, cho phép bạn tạo các luồng dữ liệu đơn giản Sklearn đi kèm với một phương thức, # Loading a Sample Pandas Dataframe
import pandas as pd
df = pd.DataFrame.from_dict({
'Name': ['Nik', 'Kate', 'Kevin', 'Evan', 'Jane', 'Kyra', 'Melissa'],
'Gender': ['Male', 'Female', 'Male', 'Male', 'Female', 'Female', 'Female'],
'January': [90, 95, 75, 93, 60, 85, 75],
'February': [95, 95, 75, 65, 50, 85, 100],
})
print(df.head())
# Returns:
# Name Gender January February
# 0 Nik Male 90 95
# 1 Kate Female 95 95
# 2 Kevin Male 75 75
# 3 Evan Male 93 65
# 4 Jane Female 60 508, mà chúng ta có thể áp dụng cho khung dữ liệu của mình. Hãy xem nó trông như thế nào# Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 853 Tương tự như việc sử dụng phương pháp Pandas # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 850, nếu chúng tôi muốn có thể tái tạo kết quả của mình, chúng tôi có thể sử dụng tham số # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1).reset_index() print(shuffled.head()) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 1 Kevin Male 75 75 # 2 Melissa Female 75 100 # 3 Kate Female 95 95 # 4 Evan Male 93 650. Hãy xem nó trông như thế nào # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 856 Trong phần cuối cùng bên dưới, bạn sẽ tìm hiểu cách sử dụng thư viện numpy để ngẫu nhiên hóa khung dữ liệu Pandas của bạn Xáo trộn khung dữ liệu Pandas với ngẫu nhiên của Numpy. hoán vịTrong phần cuối cùng này, bạn sẽ học cách sử dụng NumPy để tạo ngẫu nhiên khung dữ liệu Pandas. Numpy đi kèm với một chức năng, # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1).reset_index() print(shuffled.head()) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 1 Kevin Male 75 75 # 2 Melissa Female 75 100 # 3 Kate Female 95 95 # 4 Evan Male 93 656, cho phép chúng tôi tạo một hoán vị ngẫu nhiên của một mảng Để xáo trộn khung dữ liệu của chúng tôi, chúng tôi có thể chuyển các chỉ số của khung dữ liệu của mình vào hàm, điều này sẽ ngẫu nhiên hóa thứ tự của chúng. Sau đó, chúng tôi sử dụng trình truy cập # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1).reset_index() print(shuffled.head()) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 1 Kevin Male 75 75 # 2 Melissa Female 75 100 # 3 Kate Female 95 95 # 4 Evan Male 93 657 để sắp xếp lại dữ liệu của mình. Hãy xem nó trông như thế nào # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 859 Cách nhanh nhất để xáo trộn khung dữ liệu PandasBạn có thể tự hỏi, tại thời điểm này, nên chọn phương pháp nào. Tôi khuyên bạn nên xem phương pháp nào phù hợp nhất với quy trình làm việc của bạn. Ví dụ: nếu bạn đang xây dựng quy trình khoa học dữ liệu với sklearn, bạn có thể muốn xây dựng tính năng xáo trộn vào quy trình của mình bằng tiện ích sklearn # Loading a Sample Pandas Dataframe
import pandas as pd
df = pd.DataFrame.from_dict({
'Name': ['Nik', 'Kate', 'Kevin', 'Evan', 'Jane', 'Kyra', 'Melissa'],
'Gender': ['Male', 'Female', 'Male', 'Male', 'Female', 'Female', 'Female'],
'January': [90, 95, 75, 93, 60, 85, 75],
'February': [95, 95, 75, 65, 50, 85, 100],
})
print(df.head())
# Returns:
# Name Gender January February
# 0 Nik Male 90 95
# 1 Kate Female 95 95
# 2 Kevin Male 75 75
# 3 Evan Male 93 65
# 4 Jane Female 60 508Một cân nhắc lớn khác có thể là tốc độ – phương pháp nào sẽ mang lại kết quả nhanh nhất hết lần này đến lần khác Để tạo ra kết quả bên dưới, chúng tôi đã xáo trộn Khung dữ liệu Pandas chứa 1.500.00 bản ghi một nghìn lần. Trung bình của mỗi lần chạy đã được tính toán, tạo ra một kết quả đáng tin cậy Phương thứcThời gian thực hiện# Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 85118. 3 µs ± 255 ns trên mỗi vòng lặp (trung bình ± tiêu chuẩn. nhà phát triển. trong số 7 lần chạy, mỗi lần 100000 vòng lặp) # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 851017. 9 µs ± 122 ns trên mỗi vòng lặp (trung bình ± tiêu chuẩn. nhà phát triển. trong số 7 lần chạy, mỗi lần 100000 vòng lặp) # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 851117. 9 µs ± 5. 53 ns trên mỗi vòng lặp (trung bình ± tiêu chuẩn. nhà phát triển. trong số 7 lần chạy, 100000 vòng lặp mỗi lần) Cách nhanh nhất để xáo trộn Khung dữ liệu Pandas là gì? Chúng ta có thể thấy rằng kết quả khá gần. Trừ khi tốc độ tối ưu là mục tiêu cuối cùng của bạn, bạn có thể chọn bất kỳ phương pháp nào một cách an toàn. Điều đó đang được nói, bạn sẽ nhập Pandas bất kể. Việc nhập các gói bạn không sử dụng có thể bổ sung thêm các cân nhắc về tốc độ cho tập lệnh của bạn Sự kết luậnTrong hướng dẫn này, bạn đã học cách trộn Pandas Dataframe bằng phương pháp Pandas # Loading a Sample Pandas Dataframe
import pandas as pd
df = pd.DataFrame.from_dict({
'Name': ['Nik', 'Kate', 'Kevin', 'Evan', 'Jane', 'Kyra', 'Melissa'],
'Gender': ['Male', 'Female', 'Male', 'Male', 'Female', 'Female', 'Female'],
'January': [90, 95, 75, 93, 60, 85, 75],
'February': [95, 95, 75, 65, 50, 85, 100],
})
print(df.head())
# Returns:
# Name Gender January February
# 0 Nik Male 90 95
# 1 Kate Female 95 95
# 2 Kevin Male 75 75
# 3 Evan Male 93 65
# 4 Jane Female 60 507. Phương pháp này cho phép chúng tôi lấy mẫu các hàng theo thứ tự ngẫu nhiên. Để xáo trộn khung dữ liệu của chúng tôi, chúng tôi chỉ cần lấy mẫu toàn bộ khung dữ liệu. Chúng tôi thậm chí có thể tái tạo khung dữ liệu xáo trộn của mình bằng cách sử dụng tham số # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1).reset_index() print(shuffled.head()) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 1 Kevin Male 75 75 # 2 Melissa Female 75 100 # 3 Kate Female 95 95 # 4 Evan Male 93 650 Bạn cũng đã học cách sử dụng các thư viện # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1).reset_index() print(shuffled.head()) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 1 Kevin Male 75 75 # 2 Melissa Female 75 100 # 3 Kate Female 95 95 # 4 Evan Male 93 652 và # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1) print(shuffled) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 2 Kevin Male 75 75 # 6 Melissa Female 75 100 # 1 Kate Female 95 95 # 3 Evan Male 93 65 # 4 Jane Female 60 50 # 5 Kyra Female 85 8515 để xáo trộn khung dữ liệu của mình, giúp bạn linh hoạt hơn về cách tạo ra kết quả của mình. Ví dụ: sử dụng # Shuffling a Pandas dataframe with .shuffle() shuffled = df.sample(frac=1).reset_index() print(shuffled.head()) # Returns: # Name Gender January February # 0 Nik Male 90 95 # 1 Kevin Male 75 75 # 2 Melissa Female 75 100 # 3 Kate Female 95 95 # 4 Evan Male 93 652 mang đến cho bạn cơ hội dễ dàng tích hợp bước này vào quy trình học máy Để tìm hiểu thêm về các phương pháp được trình bày trong hướng dẫn này, hãy xem tài liệu chính thức được tìm thấy tại đây |
