Tengo un DataFrame de edad por personas:
df=
identificador edad
1 50
2 10
3 22
4 60
5 45
6 2
7 27
8 30
9 14
10 55
He definido 4 grupos: menores o iguales a 5 años, entre 5 y 20 años, entre 20 y 40 años y entre 40 y 60 años. Requiero crear un DataFrame que tenga el mismo número de registros de cada grupo. Ese número esta definido por el tamaño del grupo más pequeño (número de registros que cumplen la condición). En el ejemplo, el grupo de menores de 5 años tiene el menor tamaño 1: solo un registro cumple la condición. El nuevo DataFrame sería:
identificador edad
1 50
2 10
3 22
6 2
Lo que yo hice fue crear una nueva columna con un código definido para cada grupo y con eso conocer el tamaño de cada grupo.
def ciclodevida(edad):
if edad <= 5: return 1
if (edad > 5 and edad <= 20 ): return 2
if (edad > 20 and edad <= 40 ): return 3
if (edad > 40 and edad <= 60 ): return 4
df['ciclo']= df['edad'].apply(ciclodevida)
ciclodevida=df.groupby('ciclo').size()
Luego cree un Dataframe independiente para cada grupo:
ciclo1 = df[df['ciclo'] == 1]
ciclo1 =ciclo1.reset_index(drop=True)
ciclo2 = df[df['ciclo'] == 2]
ciclo2 =ciclo2.reset_index(drop=True)
ciclo3 = df[df['ciclo'] == 3]
ciclo3 =ciclo3.reset_index(drop=True)
ciclo4 = df[df['ciclo'] == 4]
ciclo4 =ciclo4.reset_index(drop=True)
Finalmente elimine los registros en cada grupo dependiendo del tamaño del grupo 1 (el de menor tamaño) y luego uní todos los DataFrame usando concatenar
C2= ciclo2.drop(range(len(ciclo1), len(ciclo2), 1), axis=0)
C3= ciclo3.drop(range(len(ciclo1), len(ciclo3), 1), axis=0)
C4= ciclo4.drop(range(len(ciclo1), len(ciclo4), 1), axis=0)
final= pd.concat([C1,C2,C3,C4])
El código funciona pero quisiera hacerlo más eficiente, como se ve se deben hacer muchas fases (y esto se incrementa si hay más grupos). Además quisiera que se seleccionarán los registros que van a ingresar al nuevo DataFrame de cada grupo de manera aleatoria.
Alguien me puede ayudar con alguna idea? Gracias!