[Pandas] sample

정의

DataFrame.sample() / Series.sample() 은 행 (또는 열) 을 랜덤으로 추출 하는 함수. EDA 빠른 확인, train/test split, bootstrap, imbalanced data 처리에 자주 사용.

사용 상황

기본 사용

df.sample(n=5)                        # 5 개 무작위
df.sample(frac=0.1)                   # 10% 무작위
df.sample(n=5, random_state=42)       # 시드 고정 (재현 가능)
df.sample(frac=1, random_state=42)    # 전체 섞기 (shuffle)

n 과 frac 은 둘 중 하나만 지정.

주요 파라미터

샘플링 전략 시각화

flowchart LR
    A["원본 DataFrame"] --> B["n: 개수 고정"]
    A --> C["frac: 비율 지정"]
    A --> D["replace=True: 복원 추출"]
    A --> E["weights: 가중 샘플"]
    B --> F["고정 N 개 행"]
    C --> G["전체 비율 행"]
    D --> H["같은 행 중복 가능"]
    E --> I["가중치 높은 행 더 자주"]

random_state (재현성)

# 매번 다른 결과
df.sample(n=5)

# 시드 고정: 같은 결과
df.sample(n=5, random_state=42)

# numpy Generator 도 가능 (pandas 1.4+)
import numpy as np
rng = np.random.default_rng(42)
df.sample(n=5, random_state=rng)

테스트, ML 실험에서 random_state 미지정은 재현 불가능.

복원 추출 (Bootstrap)

# Bootstrap 한 번: 원본과 같은 크기, 중복 허용
boot = df.sample(n=len(df), replace=True, random_state=42)

# 1000 번 bootstrap 으로 평균의 95% 신뢰 구간
import numpy as np
samples = [
    df.sample(frac=1, replace=True, random_state=i)['salary'].mean()
    for i in range(1000)
]
ci = np.percentile(samples, [2.5, 97.5])
print(f'95% CI: {ci[0]:.0f} ~ {ci[1]:.0f}')

가중 샘플링

# 컬럼을 가중치로
df.sample(n=100, weights='priority_score')

# 명시적 Series
weights = df['is_vip'].map({True: 5.0, False: 1.0})
df.sample(n=100, weights=weights, random_state=42)

# 가중치 정규화는 자동 (합이 1 이 아니어도 됨)

VIP 는 5 배 자주 샘플링됨. 비균등 샘플링.

train / test split

# 80 / 20 split
train = df.sample(frac=0.8, random_state=42)
test = df.drop(train.index)

print(f'train: {len(train)}, test: {len(test)}')

sklearn.model_selection.train_test_split 보다 단순하지만, 층화(stratified) 는 groupby.sample 로 해야 함.

groupby + sample (Stratified Sampling)

각 그룹에서 균등하게 추출하는 층화 샘플링.

import pandas as pd
​
df = pd.DataFrame({
  'label': ['pos'] * 10 + ['neg'] * 90,
  'value': range(100),
})
​
# 각 클래스에서 5 개씩
stratified = df.groupby('label').sample(n=5, random_state=42)
print(stratified['label'].value_counts())

label
neg    5
pos    5
Name: count, dtype: int64

# 각 클래스에서 10% 씩
df.groupby('label').sample(frac=0.1, random_state=42)

ignore_index

df.sample(n=10, ignore_index=True)
# 결과 DataFrame 의 index 가 0, 1, ..., 9 로 재설정
# 원래 index 불필요할 때 사용

imbalanced data 처리

# 다운샘플링: 다수 클래스를 소수 클래스 크기로 줄이기
minority = df[df['label'] == 1]
majority = df[df['label'] == 0].sample(n=len(minority), random_state=42)
balanced = pd.concat([minority, majority]).sample(frac=1, random_state=42)

# 업샘플링: 소수 클래스를 복원 추출로 늘리기
oversampled = df[df['label'] == 1].sample(
    n=len(df[df['label'] == 0]),
    replace=True,
    random_state=42,
)
balanced2 = pd.concat([df[df['label'] == 0], oversampled])

열 샘플링

# axis=1: 열을 샘플링
df.sample(n=3, axis=1)          # 컬럼 3 개 랜덤 선택
df.sample(frac=0.5, axis=1)     # 컬럼의 50%

numpy 와의 비교

import numpy as np

# numpy: index 만 얻고 df 에서 선택
idx = np.random.choice(len(df), size=100, replace=False)
df.iloc[idx]

# pandas: 바로 DataFrame, index 보존
df.sample(n=100)

pandas API 가 더 자연스럽고 원본 index 를 보존한다.

실전 패턴

EDA 빠르게

df.sample(20)        # 20 행만 보면서 데이터 형태 확인
df.sample(frac=0.01) # 1% 미리보기 (대용량 파일)

재현 가능한 실험 세트

SEED = 42
train = df.sample(frac=0.7, random_state=SEED)
remaining = df.drop(train.index)
val = remaining.sample(frac=0.5, random_state=SEED)
test = remaining.drop(val.index)

print(f'train={len(train)}, val={len(val)}, test={len(test)}')

각 그룹에서 최대 N 개 (불균형 그룹 처리)

# 그룹마다 크기가 다를 때: 최대 N 개 (부족하면 있는 만큼)
df.groupby('category').sample(n=50, replace=False, random_state=42)
# 그룹 크기 < 50 이면 ValueError → replace=True 또는 min(n, len) 처리

함정

1. random_state 미지정

df.sample(n=5)                    # 매 실행마다 다른 결과
df.sample(n=5, random_state=42)   # 고정 결과

ML 실험, 테스트 코드에는 반드시 시드 지정.

2. frac > 1.0 은 replace=True 필요

df.sample(frac=2.0)                       # ValueError
df.sample(frac=2.0, replace=True)         # ✓ 복원 추출

3. n > len(df) 는 replace=True 필요

df.sample(n=len(df) + 10)                 # ValueError
df.sample(n=len(df) + 10, replace=True)   # ✓

4. groupby sample 의 그룹 크기 부족

# 그룹 크기 < n 이면 ValueError
df.groupby('label').sample(n=100, random_state=42)
# 해결: replace=True 또는 각 그룹 크기 확인 후 min 적용

5. weights 에 NaN 있으면 오류

# weights 컬럼에 NaN 있으면 ValueError
w = df['weight'].fillna(0)
df.sample(n=10, weights=w)

6. index 보존 vs ignore_index

result = df.sample(n=5)
# result.index 는 원본 df 의 index 값들 → 역추적 가능
# df.loc[result.index] 로 원본에서 같은 행 확인

result_reset = df.sample(n=5, ignore_index=True)
# 0,1,2,3,4 로 재설정 → 원본 추적 불가

관련 위키

• Pandas DataFrame
• Pandas groupby
• Pandas concat
• Pandas Boolean Indexing
• Pandas isin / isna