python - 如何按照某些标准将数据集拆分为子集？

Question

虽然我使用机器学习相关的术语，但我的问题是100%工程主题，与统计和数学无关。因此我在这个论坛上询问，而不是交叉验证。

这是我的示例数据，我将用它来评论我的问题:

X = pd.DataFrame(columns=["F1","F2"], 
                  data=[[23,0.8],
                        [11,5.35],
                        [24,19.18],
                        [15,10.25],
                        [10,11.30],
                        [55,44.85],
                        [15,33.88],
                        [12,45.30],
                        [14,22.20],
                        [15,15.80],
                        [83,0.8],
                        [51,5.35],
                        [34,30.28],
                        [35,15.25],
                        [60,13.30],
                        [75,44.80],
                        [35,30.77],
                        [62,40.33],
                        [64,23.40],
                        [14,11.80]])

y = pd.DataFrame(columns=["y"], 
                  data=[[0],
                        [0],
                        [1],
                        [0],
                        [2],
                        [2],
                        [2],
                        [1],
                        [0],
                        [1],
                        [0],
                        [0],
                        [1],
                        [0],
                        [1],
                        [0],
                        [1],
                        [1],
                        [0],
                        [2]])

我应该将数据分为训练集和测试集。经典的方法是使用 sklearn 的 train_test_split 函数:

X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.25)

但我想指定分配给训练和测试集的记录的百分比。更多详细信息如下所述。

在我的例子中，我处理一个多类分类问题，其中 y 可能采用 3 个不同值之一:0、1、2。值为 2 的记录非常罕见(在我的真实数据集中，大约占整个数据集的 3%)。因此这是一个不平衡的分类问题。

由于这是一个不平衡的分类问题，稀有类的记录非常重要。因此，我想更新 model_selection.train_test_split 如下:我想为训练和测试集分配每个类的记录百分比。 例如，<50%, 60%, 90%> 表示 90% 的稀有类记录分配给训练集。

在我的示例中，我希望在训练集中获得 3 条等于 2 的 y 记录 (X_train ，y_train)，以及测试集中的 1 条记录。

我用谷歌搜索了类似的问题，但没有找到任何东西。

为了解决这个任务，我打乱了初始数据框:

df = pd.concat([X, y], axis=1)

df = df.sample(frac=1).reset_index(drop=True)

但是，我不知道如何继续完成其余的任务。也许有一些 sklearn 内置函数或一些库可以解决这个问题？

Answer 1

train_test_split 中有一个名为 stratify 的选项。也看看这个kind of similar question

要实现您需要的比例，您可以使用 numpy 中的 np.random.choice:

import numpy as np
df = pd.concat([X,y], axis = 1)

#get index values for y = 0
i0 = np.random.choice(df.loc[df.y==0].index.values,
round(len(df.loc[df.y==0])*.5), replace = False)

i1 = np.random.choice(df.loc[df.y==1].index.values,
round(len(df.loc[df.y==1])*.6), replace = False)

i2 = np.random.choice(df.loc[df.y==2].index.values,
round(len(df.loc[df.y==1])*.9), replace = False)

df_train = df.loc[df.index.isin(np.concatenate([i1,i2,i0]))]
df_test = df.loc[~df.index.isin(np.concatenate([i1,i2,i0]))]