Python中的隨機上采樣是一個常用的數據預處理技術，可以用來處理數據不平衡的問題。在機器學習和數據挖掘領域中，隨機上采樣可以有效地提高模型的精度和可靠性。

# 導入相應的庫
import pandas as pd
from sklearn.utils import resample
# 讀取數據 
data = pd.read_csv('data.csv')
# 定義類別數量
count_class_0, count_class_1 = data['Class'].value_counts()
# 分割類別
df_class_0 = data[data['Class'] == 0]
df_class_1 = data[data['Class'] == 1]
# 上采樣
df_class_1_upsampled = resample(df_class_1, 
replace=True,     # 采樣時是否取代
n_samples=count_class_0,    # 采樣數量
random_state=42)  # 設置隨機狀態
# 合并數據
data_upsampled = pd.concat([df_class_0, df_class_1_upsampled])
# 打印上采樣后數據的分布情況
print(data_upsampled['Class'].value_counts())

通過上述代碼，我們可以實現數據的隨機上采樣，具體實現過程就是將小樣本的數據集隨機復制幾次，形成新的數據集，從而使得兩個類別的數量盡可能地接近。然而隨機上采樣也可能引發過擬合問題，因此在使用過程中需要謹慎處理。