python - 如何在scikit learn中进行欠采样？

Question

我们有一个视网膜数据集，其中患病眼睛信息占信息的 70%，而未患病眼睛占剩余的 30%。我们想要一个数据集，其中患病和未患病样本的数量应该相等。是否有任何可用的功能可以帮助我们做同样的事情？

Answer 1

我会选择用 Pandas DataFrame 来做到这一点和 numpy.random.choice .通过这种方式，很容易进行随机抽样以产生大小相同的数据集。一个例子:

import pandas as pd
import numpy as np

data = pd.DataFrame(np.random.randn(7, 4))
data['Healthy'] = [1, 1, 0, 0, 1, 1, 1]

此数据有两个不健康样本和五个健康样本。从健康人群中随机抽取两个样本:

healthy_indices = data[data.Healthy == 1].index
random_indices = np.random.choice(healthy_indices, 2, replace=False)
healthy_sample = data.loc[random_indices]

要自动选择与非健康组大小相同的子样本，您可以执行以下操作:

sample_size = sum(data.Healthy == 0)  # Equivalent to len(data[data.Healthy == 0])
random_indices = np.random.choice(healthy_indices, sample_size, replace=False)