使用Pandas的惯用方式是使用
.sample数据框的方法对所有行进行采样而无需替换：
df.sample(frac=1)
的
frac关键字参数指定的行的分数到随机样品中返回，所以
frac=1装置返回所有行（随机顺序）。
注意： 如果您希望就地改组数据帧并重置索引，则可以执行例如
df = df.sample(frac=1).reset_index(drop=True)
在此，指定
drop=True可防止
.reset_index创建包含旧索引条目的列。
后续注： 虽然它可能不会像上面的操作是 就地 ，蟒蛇/大熊猫是足够聪明，不要做其他的malloc的洗牌后的对象。也就是说，即使 参考
对象已更改（我的意思
id(df_old)是与相同
id(df_new)），底层C对象仍然相同。为了证明确实如此，您可以运行一个简单的内存分析器：
$ python3 -m memory_profiler .test.pyFilename: .test.pyLine # Mem usage Increment Line Contents================================================ 5 68.5 MiB 68.5 MiB @profile 6 def shuffle(): 7 847.8 MiB 779.3 MiB df = pd.Dataframe(np.random.randn(100, 1000000)) 8 847.9 MiB 0.1 MiB df = df.sample(frac=1).reset_index(drop=True)
