Când lucrați cu seturi de date de ordinul terabytes-ilor, executarea experimentelor pe întregul volum este lentă și consumatoare de resurse. Metoda df.sample() extrage o fracțiune reprezentativă distribuită de date fără a descărca întregul volum pe mașina locală.
Parametrul seed asigură reproductibilitatea științifică a experimentului la rulări succesive.
Exemplu: Extragerea a 5% din date pentru antrenarea unui model
# Extragere a 5% (0.05) din înregistrări fără repetiție (withReplacement=False):
df_sample = df_masiv.sample(withReplacement=False, fraction=0.05, seed=2026)
print(f"Linii eșantionate: {df_sample.count()}")
Întrebări & Exemple de Cod:
Eșantionarea Statistică Distribuită cu df.sampleAi o nelămurire despre utilizarea comenzii
Eșantionarea Statistică Distribuită cu df.samplesau ai descoperit un truc / fragment de cod util? Distribuie-l cu ceilalți programatori!Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau exemple de cod pentru această pagină. Dacă ai întâlnit o problemă sau ai un snippet util, adaugă-l mai jos pentru a-i ajuta pe ceilalți.