python:从数据中随机抽样但保持相同的分布

Question

我有一个包含 20,000 多个实例的训练数据，分为 3 个类，分布如下 A=10%、B=20%、C=70%。 sklearn 或 pandas 或其他任何可以从这些数据中抽取 10% 样本但同时尊重不同类别分布的方法吗？因为我需要对数据进行网格搜索，但原始数据集维度太高(20,000 x 12,000 特征维度)

train_test_split 将保持分布，但它只是将整个数据集分成两组，这仍然太大了。

谢谢

Answer 1

你应该使用 Stratifiefkfold .折叠是通过保留每个类别的样本百分比来制作的。请参阅使用它的文档。