一系列列表的逐元素随机选择（无循环）

Question

我想从一系列列表中的每个列表中随机选择一个元素。import pandas as pdimport numpy as npl=[['a','b','c'],['d','e','f'],['g','h','i'],['j','k','l'],['m','n','o']]s = pd.Series(l)也是s：0    [a, b, c]1    [d, e, f]2    [g, h, i]3    [j, k, l]4    [m, n, o]dtype: object我知道我可以做到以下几点：s = pd.Series([np.random.choice(i) for i in s])哪个有效：0    a1    e2    h3    j4    mdtype: object但我想知道是否有非循环方法可以做到这一点？例如，（假设每个list大小相等）您可以创建一个随机索引数组来尝试从每个索引中选择不同的元素list：i = np.random.randint(3, size=len(l))#array([2, 2, 0, 1, 0])但是做 says[i]是行不通的，因为那是索引s而不是应用于每个list：2    [g, h, i]2    [g, h, i]0    [a, b, c]1    [d, e, f]0    [a, b, c]dtype: object我的动机是拥有可以处理大量列表的东西，从而避免循环。但是如果我的列表理解看起来是最合理的，或者没有内置pandas/numpy函数，请告诉我。

Answer 1

我只能这样想，但是，性能可能是问题

np.array(s.tolist())[np.arange(len(s)), np.random.randint(3, size=len(s))]

array(['c', 'e', 'i', 'k', 'n'], dtype='<U1')

一些时机

%timeit s.explode().sample(frac=1, random_state=1) 

5.05 ms ± 294 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit pd.Series([np.random.choice(i) for i in s])

23.1 ms ± 184 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit np.array(s.tolist())[np.arange(len(s)), np.random.randint(3, size=len(s))]

1.63 ms ± 50.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

Answer 2

您可以尝试explode，随机播放分解的系列，然后采样。这甚至不需要列表具有相同的长度。

(s.explode()

   .sample(frac=1, random_state=1)  # random_state added for repeatability, drop if needed

   .groupby(level=0).head(1)

)

输出：

1    d

2    h

0    c

3    k

4    n

dtype: object