好久没有写知识记录了，之前几个月一直在忙着实习和毕业论文的事情。今天偶尔遇到了一个问题，想要记录下来。
起因是这样的：我需要计算 NN 模型中，每一个特征的因子重要性，主要的方法是通过shuffle特征，然后重复预测，看预测结果的loss表现。显然，loss越大，说明特征越重要。
1. debug 过程
在这个计算过程中，涉及一个列数据shuffle操作，我最开始的做法是这样的：
np.random.seed(2023)
data[feature] = np.random.shuffle(data[feature].values)然后我发现shuffle之后的列数据存在NoneType数据，导致报错。然而在shuffle之前，我已经对缺失值进行了处理。因此，我怀疑是不是numpy的函数有些问题。遂改为下面的代码：
import random
random.seed(2023)
data[feature] = random.shuffle(data[feature].values.tolist())结果发现还是有缺失值。。。
在同事的提醒下，或许可以使用df.sample来shuffle（之前不用是因为以为只能对整个df进行sample）：
data[feature] = data[feature].sample(frac=1)发现这回没有了缺失值，但是shuffle失败了，怀疑是不是因为index对应关系问题，发现pd.Series().sample()中有ignore_index的参数，因此：
data[feature] = data[feature].sample(frac=1, ignore_index=True)结果发现，报错没有该参数。。。至此，我已经有点难受了，毕竟直接使用pd.Series().sample()是可以实现shuffle操作的。最后我想着，不如转换成numpy array：
data[feature] = data[feature].sample(frac=1, ignore_index=True).values结果成功！
2. 复盘
之所以一开始不用 sample ，是因为我一直以为只能对 DataFrame 做这个操作，没有想过Series也支持这个操作。
其次，在使用 numpy / random 两个库的时候，都在赋值的时候去掉了index，没有及时想到index的问题。（其实到现在也不清楚为啥那两个操作不成功）
最后，在使用 df.sample 的时候，忘了将 index 去掉。