我喜欢@Timeless的随机抽样方法，问题是它总是对具有相同的最大值组合的不同行使用相同的平局决胜局。
另一种方法是先stack数据：

df['idxmax'] = (df
   .drop(columns=['id', 'idxmax'], errors='ignore')
   .stack()
   .sample(frac=1)
   .groupby(level=0).idxmax().str[1]
)

字符串
或者：

cols = df.columns.difference(['id', 'idxmax'])

m = df[cols].eq(df[cols].max(axis=1), axis=0)

df['idxmax'] = (m[m].stack().reset_index(1)
                .groupby(level=0)['level_1'].sample(n=1)
               )

型
输出示例：

id  col1  col2 idxmax
0   1   3.0   4.0   col2
1   2   5.0   5.0   col2
2   3   6.0   9.0   col2

型

将每行与其 max 值匹配，以进一步随机np.random.choice列名：

df['idxmax'] = [np.random.choice(df.columns[r == m]) 
                for r, m in zip(df.values, df.max(1))]

字符串
示例输出：

id  col1  col2 idxmax
0   1   3.0   4.0   col2
1   2   5.0   5.0   col2
2   3   6.0   9.0   col2

型

一个可能的选择是使用sample来 shuffle 列顺序：

cols = df.sample(frac=1, axis=1).columns.difference(["id"], sort=False)
 
df["idxmax"] = df[cols].idxmax(axis=1)

字符串
输出量：

print(df)

   id  col1  col2 idxmax
0   1   3.0   4.0   col2
1   2   5.0   5.0   col1
2   3   6.0   9.0   col2

型

你的例子中的数组似乎有点错误，因为你在第一行中使用了col1作为idxmax，尽管col2中的值比col1中的值大（4 > 3）。然而，我认为这样的东西会给予你想要的结果：

import numpy as np
import pandas as pd

def randargmax(row):
    all_ties = [i for i, val in enumerate(row) if val == row.max()]
    return np.random.choice(all_ties)

df = pd.DataFrame({"col1": [3, 5, 6], "col2": [4, 5, 9]})
df["idxmax"] = [df.columns[randargmax(row)] for _, row in df.iterrows()]

print(df)

字符串

对于每一行，找到最大值，找到包含它的单元格，然后得到它们的索引并随机选择。我不确定这是否可以矢量化，但至少使用apply很容易编写：

df.assign(idxmax=
    df.apply(lambda row: np.random.choice(row.index[row==row.max()]), axis=1)
)

字符串
输出示例：

col1  col2 idxmax
id                   
1    3.0   4.0   col2
2    5.0   5.0   col2
3    6.0   9.0   col2

型