Идиоматические способ сделать это в панды является использование .образец метод таблицы данных, т. е. ``питон ДФ.образец(ГРП=1) `` Аргумент ключевого словаГРПопределяет долю возвращаемых строк в выборке, такГРП=1` значит вернуть все строки (в произвольном порядке).

Примечание: Если вы хотите, чтобы перетасовать вашу таблицу данных на месте и сбросить индекс, вы могли бы сделать, например питон ДФ = ДФ.образец(ГРП=1).reset_index(капля=истина) Здесь, указывая капля=правда мешает `.reset_index от создания столбца, содержащей старые записи индекса.

Последующие Примечание: хотя он не может выглядеть, как описанная выше операция на месте, Python и панды достаточно умен, чтобы не делать еще один аналог для тасуется объекта. То есть, даже несмотря на ссылка объект изменился (я имею в виду ИД(df_old)не совпадает сИД(df_new)`), базовый объект С является все тот же. Чтобы показать, что это действительно так, вы можете запустить простой профайлер памяти: `` $ питон3 -м memory_profiler .\test.py Имя файла: .\test.py

Линия # память инкремент содержимого строки

5 68.5 68.5 МИБ МИБ @профилю 6 деф перемешать(): 7 847.8 779.3 МИБ МИБ ДФ = др.Таблицы данных(НП.случайные.randn(100, 1000000)) 8 847.9 МИБ 0.1 Мб ДФ = ДФ.образец(ГРП=1).reset_index(капля=истина)

``

Вы можете просто использовать sklearn для этого

from sklearn.utils import shuffle
df = shuffle(df)

Вы можете тасовать строки таблицы данных путем индексирования с перетасованную индекса. Для этого, например, можно использовать НП.случайные.перестановка(ноНП.случайные.выбор-это также возможность):

In [12]: df = pd.read_csv(StringIO(s), sep="\s+")

In [13]: df
Out[13]: 
    Col1  Col2  Col3  Type
0      1     2     3     1
1      4     5     6     1
20     7     8     9     2
21    10    11    12     2
45    13    14    15     3
46    16    17    18     3

In [14]: df.iloc[np.random.permutation(len(df))]
Out[14]: 
    Col1  Col2  Col3  Type
46    16    17    18     3
45    13    14    15     3
20     7     8     9     2
0      1     2     3     1
1      4     5     6     1
21    10    11    12     2

Если вы хотите сохранить индекс, пронумерованных от 1, 2, .., n, как в вашем примере, вы можете просто сбросить индекс: df_shuffled.reset_index(капля=истина)

Сюжет: `НП.случайные.перетасовать(ndarray) может сделать работу. Таким образом, в вашем случае

np.random.shuffle(DataFrame.values)

Таблицы данных, под капотом, использует библиотеки numpy ndarray как держатель данных. (Вы можете проверить с исходный код таблицы данных)

Так что если вы используете np.random.shuffle()он бы перемешивает массив вдоль первой оси многомерного массива. Но индекс в таблице данных остается unshuffled.

Хотя, есть некоторые моменты, которые следует учитывать.

• функция возвращает никто. В случае, если вы хотите сохранить копию исходного объекта, вы должны сделать это прежде, чем вы передадите в функцию.
• sklearn.utils.shuffle()как пользователь tj89 предложил, может назначить random_state наряду с другой вариант для выходного контроля. Вы можете, что для цели разработки.
• sklearn.utils.shuffle() быстрее. Но будут тасовать оси информация(индекс столбца) из таблицы данныхнаряду сndarray` содержит.

Тест ## результат между sklearn.utils.shuffle() и np.random.shuffle().

ndarray

nd = sklearn.utils.shuffle(nd)

0.10793248389381915 сек. В 8 раз быстрее

np.random.shuffle(nd)

0.8897626010002568 сек

Таблицы данных

df = sklearn.utils.shuffle(df)

0.3183923360193148 сек. В 3 раза быстрее

np.random.shuffle(df.values)

0.9357550159329548 сек

вывод: если это нормально, чтобы ось инфо(индекс столбца), чтобы быть перетасованы вместе с ndarray, использовать sklearn.utils.shuffle(). В противном случае, используйте np.random.shuffle()

использован # код#

import timeit
setup = '''
import numpy as np
import pandas as pd
import sklearn
nd = np.random.random((1000, 100))
df = pd.DataFrame(nd)
'''

timeit.timeit('nd = sklearn.utils.shuffle(nd)', setup=setup, number=1000)
timeit.timeit('np.random.shuffle(nd)', setup=setup, number=1000)
timeit.timeit('df = sklearn.utils.shuffle(df)', setup=setup, number=1000)
timeit.timeit('np.random.shuffle(df.values)', setup=setup, number=1000)

[теги:питон][тегу:бенчмаркинг]

(Я не'т иметь достаточно репутации, чтобы оставлять на высший пост, поэтому я надеюсь, что кто-то может сделать это для меня.) Была выражена озабоченность, что первый метод:

df.sample(frac=1)

сделал глубокую копию или просто изменены таблицы данных. Я побежал следующий код:

print(hex(id(df)))
print(hex(id(df.sample(frac=1))))
print(hex(id(df.sample(frac=1).reset_index(drop=True))))

и мои результаты были:

0x1f8a784d400
0x1f8b9d65e10
0x1f8b9d65b70

что означает метод ** не возвращался один и тот же объект, как было предложено в последнем комментарии. Поэтому этот метод действительно делает тасуется копия**.

Насколько мне известно, самое простое решение:

df_shuffled = df.reindex(np.random.permutation(df.index))

Что также полезно, если вы используете его для Machine_learning и хочу отдельно всегда одни и те же данные, вы могли бы использовать: ДФ.выборки(N=лен(ДФ), random_state=42) это гарантирует, что вы держите свой случайный выбор всегда replicatable

перетасовать панды фрейма данных путем отбора пробы массива в этом случае индекс и перемешайте его, чтобы потом установить время как индекс фрейма данных. Теперь вроде фрейма данных по индексу. Вот идет ваш тасуется таблицы данных

import random
df = pd.DataFrame({"a":[1,2,3,4],"b":[5,6,7,8]})
index = [i for i in range(df.shape[0])]
random.shuffle(index)
df.set_index([index]).sort_index()

результат _

    a   b
0   2   6
1   1   5
2   3   7
3   4   8

Вставить фрейм данных в места, где я в приведенном выше коде .

Вот еще один способ:

ДФ['рнд'] = НП.случайные.Рэнд(лен(ДФ)) ДФ = ДФ.sort_values(счет='рнд', "на месте" =правда).падение('рнд', оси=1)