应使用 sample(frac=1) 打乱 dataframe 行序，它保留原始索引（含多级、重复、非连续索引），语义明确且安全；需重置索引时显式调用 reset_index(drop=true)。
用 sample() 而不是 shuffle()
Python 标准库没有 df.shuffle()，Pandas 也没有这个方法——直接调用会报 AttributeError: 'DataFrame' object has no attribute 'shuffle'。正确做法是用 sample()，它默认打乱行顺序且**保留原始索引不变**。
-
sample(n=len(df))：取全部行，等价于全量乱序 -
sample(frac=1)：更推荐，语义明确（取 100% 的样本） - 不加
random_state每次结果不同；加了就可复现，调试时建议固定 - 如果原 DataFrame 索引是整数且连续（如
RangeIndex(0, 100)），乱序后索引仍为原值，不会重置为 0~99
为什么 sample(frac=1) 比 iloc[np.random.permutation(len(df))] 更安全？
手动用 np.random.permutation + iloc 确实也能打乱，但容易出错：
Secure Python Code Sandbox
下载
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
- 若原索引非连续（比如删过行，留下
[0, 1, 2, 4, 5]），iloc只按位置取，结果索引看似“重排”，实则丢失了原始索引信息 -
sample()始终基于 label（即索引值）操作，不管索引是否稀疏、是否含字符串、是否重复，都原样保留 -
sample()自动处理空 DataFrame 边界情况；手写 permutation 容易在len(df)==0时抛ValueError
想重置索引？那就显式调用 reset_index()
乱序后若需要连续整数索引（比如后续要按位置切片或对接某些只认 .iloc 的代码），必须主动重置：
-
df.sample(frac=1).reset_index(drop=True)：丢弃原索引，生成新RangeIndex -
drop=False（默认）会把原索引作为一列保留，通常不需要 - 注意：
reset_index()是返回新 DataFrame，原地修改需加inplace=True，但不推荐——链式调用更清晰
多级索引和重复索引下 sample() 行为一致吗？
是的，sample() 对索引结构无感，只按行整体抽样：
- 多级索引（
MultiIndex）会被完整保留，每行的层级组合不变 - 若存在重复索引（比如两行都是
idx='A'），sample()仍按行抽，不会去重；抽到哪行，那行的索引值就原样带上 - 唯一要注意的是：如果之后要用
.loc['A']取值，重复索引可能导致返回多行——这不是sample()的问题，而是索引设计本身的问题
sample(frac=1) 是唯一既打乱又忠于索引的设计，其他路径都容易在边界 case 上掉链子。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！
