python - Sklearn 将 Pandas Dataframe 和 CSR 矩阵拆分为测试和训练集

Question

我正在尝试使用 scikit-learn DecisionTree 和 Pandas Dataframe 对文本进行分类:首先，我构建了一个如下所示的数据框:

   cat1  cat2                             corpus           title
0     0     1                     Test Test Test    erster titel
1     1     0                   Test Super Super   zweiter titel
2     0     1                     Test Test Test   dritter titel
3     0     1                    Test Super Test   vierter titel
4     1     0                   Super Test Super  fuenfter titel
5     1     1         Super einfacher Test Super  fuenfter titel
6     1     1  Super simple einfacher Test Super  fuenfter titel

然后我生成一个 TF-IDF 矩阵:

_matrix = generate_tf_idf_matrix(training_df['corpus'].values)

它返回一个 csr-Matrix(CountVectorizer -> TfidfTransformer)

我想用我的分类器

    train_X = _matrix
    train_Y = training_df[['cat1','cat2']]

多标签分类

我现在的问题是:

如何将我的数据框和我的 csr 矩阵拆分为测试集和训练集？如果我在创建矩阵之前拆分我的数据框，则 csr 矩阵具有另一个大小，因为我的文档具有不同的特征。

限制:我不想将我的矩阵转换为数组，这样我就可以轻松地拆分它。

Answer 1

scikit-learns 包已经包含一个非常强大的模块，用于 train-val-test 交叉验证功能。您可以快速查看整个模块 sklearn.cross_validation (此处为 API)。

一般train_test_split会做的工作:

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33)

但是，如果您的类 y 非常不平衡，您可能会对 StratifiedShuffleSplit 感兴趣它将数据拆分为训练/测试数据集，但保留每个训练/测试集中每个类的百分比。

所以在你的情况下，首先创建你的 X = _matrix 和 y = training_df[['cat1', 'cat2']] 然后使用 scikit -学习的功能以将其拆分为训练/测试数据集。