sample()支持带权重抽样，要求weights必须是与dataframe/series行数严格对齐的非负数值序列（list/array/series），不能含nan或负数，长度不匹配、含非法值或传入列名均会报错。
sample() 的 weights 参数到底怎么用？
直接说结论：sample() 支持带权重抽样，但要求 weights 参数必须是与 DataFrame 或 Series 行数严格对齐的数值序列（list、array 或 Series），且不能含 NaN 或负数。传入字符串列名会报 KeyError，传 None 或空序列会直接抛 ValueError。
常见错误现象：TypeError: 'str' object cannot be interpreted as an integer（误把列名当权重数组传）、ValueError: weights sum to zero（权重全为 0 或含负值）、IndexError: too many indices for array（权重长度不匹配）。
-
weights必须和抽样对象的行数一致，比如df.sample(n=10, weights=df['score'])是合法的，但df.sample(n=10, weights='score')会报错 - 权重会被自动归一化，所以不需要手动除以总和；但若含
inf、nan或负数，会立即失败 - 如果原始数据索引不连续（比如经过
drop或切片），weights仍需按位置顺序对齐，不是按索引标签对齐
如何从分类列生成有效权重？
实际中权重常来自某列的数值（如点击量、评分），但也可能来自类别分布——比如想让“高优先级”类别被抽到的概率翻倍。这时不能直接用 pd.get_dummies()，而要用映射构造数值权重序列。
使用场景：平衡类别抽样、按业务规则倾斜采样（如广告日志中付费用户权重设为 3，免费用户设为 1）。
- 用
map()构建权重：df['priority'].map({'high': 3, 'medium': 1, 'low': 0.5})，注意返回值必须全为数字 - 避免用
replace()后直接传入，因为若存在未映射的值会变成NaN，导致sample()失败 - 若需动态计算（如按频次倒数加权），先用
value_counts(normalize=False)得到计数，再做1 / count映射回原 DataFrame
sample() 带权重时的随机性与 reproducibility
sample() 默认使用全局随机状态，但带权重时对 random_state 更敏感：相同 seed 下，即使权重微小浮点误差（如 0.3333333333333333 vs 1/3）也可能导致不同结果。这不是 bug，而是底层 numpy.random.Generator.choice 的行为。
- 务必显式指定
random_state（整数或np.random.Generator实例），否则每次运行结果不可复现 - 若权重来自浮点运算（如归一化后的概率），建议用
np.round(weights, 10)截断，减少精度扰动 - 不要依赖
seed()全局设置——sample()不读取它，只认random_state参数
性能陷阱：大数据量下 weights 的开销在哪？
当 DataFrame 超过 10 万行，sample(weights=...) 比无权重慢 3–5 倍，瓶颈不在权重计算，而在底层 choice(..., p=...) 的 O(n) 累积概率构建。这不是 Pandas 层能绕过的。
- 避免在循环里反复调用带权重的
sample()；可先生成足够大的权重抽样索引池，再分批取 - 若只是需要「近似加权」，考虑先用
groupby().apply(lambda x: x.sample(...))分组均匀抽，再按组大小加权拼接——速度更快，逻辑更可控 - 极端情况（千万级数据 + 高频抽样）建议换用
numpy.random.choice手动处理索引，跳过 Pandas 的校验开销
权重抽样的核心约束其实就一条：你给的 weights 必须是一个确定的、无缺失、非负、长度匹配的数值序列。其余所有问题，基本都源于没盯住这四个条件中的某一个。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
