本文介绍一种高效、安全的分组下采样方法：对每个month组内，按target=0和target=1的最小频数统一截断，确保每月两类样本数量相等，同时保留所有原始列且避免settingwithcopywarning。
本文介绍一种高效、安全的分组下采样方法：对每个month组内，按target=0和target=1的最小频数统一截断，确保每月两类样本数量相等，同时保留所有原始列且避免settingwithcopywarning。
在处理时间序列分类数据（如月度风控建模）时，常需对不平衡标签（TARGET=0/1）进行分层下采样，但要求按时间维度（如MONTH）独立平衡——即每个自然月内正负样本数量严格相等，而非全局平衡。直接遍历+drop()不仅效率低，更会因链式赋值触发SettingWithCopyWarning，甚至因视图/副本问题导致修改失效。
推荐采用向量化分组采样策略，核心思想是：对每个MONTH，计算该月TARGET=0与TARGET=1的最小计数作为目标样本量，再按MONTH+TARGET双重分组执行等量随机抽样。该方法完全避免显式循环和原地修改，语义清晰、性能优异，且天然支持多列保留。
以下为完整实现（基于您提供的可复现示例）：
import pandas as pd
# 构造示例数据
data = {
"MONTH": [202207, 202207, 202207, 202207, 202208, 202208, 202208, 202209, 202209, 202209, 202209],
"TARGET": [1, 1, 0, 1, 1, 1, 0, 1, 0, 1, 0],
"other_column1": [10, 20, 30, 40, 50, 60, 70, 80, 90, 100, 110],
"other_column2": [100, 200, 300, 400, 500, 600, 700, 800, 900, 1000, 1100]
}
df = pd.DataFrame(data)
# 步骤1：计算每组MONTH的目标采样量（min(count_0, count_1)）
min_counts = pd.crosstab(df['MONTH'], df['TARGET']).min(axis=1).rename('n_sample')
# 输出：MONTH
# 202207 1
# 202208 1
# 202209 2
# 步骤2：将采样量映射回原始DataFrame（自动广播至每行）
df_with_n = df.merge(min_counts, left_on='MONTH', right_index=True)
# 步骤3：按MONTH+TARGET分组，对每组抽取n_sample个样本
balanced_df = (df_with_n
.groupby(['MONTH', 'TARGET'])
.apply(lambda g: g.sample(n=g['n_sample'].iloc[0], random_state=42))
.reset_index(drop=True)
.drop('n_sample', axis=1)) # 清理辅助列
print("下采样后分布：")
print(pd.crosstab(balanced_df['MONTH'], balanced_df['TARGET']))
输出结果：
下采样后分布： TARGET 0 1 MONTH 202207 1 1 202208 1 1 202209 2 2
✅ 关键优势说明：
- 无警告安全：全程使用merge和groupby.apply，不涉及df[...].drop(...)等易触发SettingWithCopyWarning的操作；
- 全列保留：other_column1/other_column2等非分组列自动继承，无需额外指定；
- 可复现性：通过random_state参数确保结果稳定，便于调试与生产部署；
- 扩展性强：若需按其他维度（如地区+月份）联合平衡，仅需调整groupby键即可。
⚠️ 注意事项：
- 若某月TARGET仅含单一类别（如全为0），min()将返回0，导致该月被完全剔除——请预先用pd.crosstab(...).gt(0).all(axis=1)校验数据完整性；
- sample()默认有放回抽样（replace=False），若样本量极小且需保证多样性，可设replace=True，但需注意可能引入重复记录；
- 大数据集建议用df.groupby(...).sample(...)（Pandas ≥1.1.0），比apply(lambda x: x.sample())性能更优。
此方案兼顾正确性、可读性与工程鲁棒性，是时间分层平衡采样的推荐实践。
