- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我需要将我的数据集分成两个部分:80% 和 20%。
我的数据集如下所示:
PersonID Timestamp Foo1 Foo2 Foo3 Label
1 1626184812 6 5 2 1
2 616243602 8 5 2 1
2 634551342 4 8 3 1
2 1531905378 3 8 8 1
3 616243602 10 7 8 2
3 634551342 7 5 8 2
4 1626184812 7 9 1 2
4 616243602 5 7 9 1
4 634551342 9 1 6 2
4 1531905378 3 3 3 1
4 768303369 6 1 7 2
5 1626184812 5 7 8 2
5 616243602 6 2 6 1
6 1280851467 3 2 2 2
7 1626184812 10 1 10 1
7 616243602 6 3 6 2
7 1531905378 9 5 7 2
7 634551342 3 7 9 1
8 616243602 8 7 4 2
8 634551342 2 2 4 1
(注意,您应该可以使用
pd.read_clipboard()
to get this data into a dataframe 。)
Timestamp
组织,这意味着旧数据应该在训练中,新数据应该在测试中 sklearn's train_test_split
:
# Imports
import pandas as pd
from sklearn.model_selection import train_test_split
# Normal split
x = pd.read_clipboard()
train, test = train_test_split(x, train_size=0.8, test_size=0.20, random_state=8)
# Organizing it by time
x = pd.read_clipboard()
x = x.sort_values(by='Timestamp')
train, test = train_test_split(x, train_size=0.8, test_size=0.20, random_state=8)
我正在努力弄清楚如何对数据框进行分组,以便一个人不会在训练和测试之间分开。例如,在上面,每个
PersonID
在
test
数据框也出现在
train
中数据框。如何在确保 PersonID 不被拆分的同时保持比例大致相等?
最佳答案
这两个条件很难以严格的方式组合在一起:训练中的旧时间戳与单个 PersonID 训练或测试,但不能同时进行。这里有两个想法。
对于火车中较旧的时间戳,可能不是最严格的解决方案 ,但您可以尝试获取 max
(或 min
或 mean
由您决定)每个 personID 的时间戳和 count
,然后 sort_values
最大到 cumsum
计数。使用 max
进行拆分训练测试的cumsum
乘以你的 80%。
# calculate the cumsum of count
s = (
x.groupby('PersonID')
['Timestamp'].agg(['max','count'])
.sort_values('max')
['count'].cumsum()
)
s = s<s.max()*0.8 # get boolean mask for train personID
然后你得到
train = x.loc[x['PersonID'].isin(s[s].index)]
print(train)
# PersonID Timestamp Foo1 Foo2 Foo3 Label
# 0 1 1626184812 6 5 2 1
# 1 2 616243602 8 5 2 1
# 2 2 634551342 4 8 3 1
# 3 2 1531905378 3 8 8 1
# 4 3 616243602 10 7 8 2
# 5 3 634551342 7 5 8 2
# 6 4 1626184812 7 9 1 2
# 7 4 616243602 5 7 9 1
# 8 4 634551342 9 1 6 2
# 9 4 1531905378 3 3 3 1
# 10 4 768303369 6 1 7 2
# 13 6 1280851467 3 2 2 2
# 18 8 616243602 8 7 4 2
# 19 8 634551342 2 2 4 1
test = x.loc[x['PersonID'].isin(s[~s].index)]
print(test)
# PersonID Timestamp Foo1 Foo2 Foo3 Label
# 11 5 1626184812 5 7 8 2
# 12 5 616243602 6 2 6 1
# 14 7 1626184812 10 1 10 1
# 15 7 616243602 6 3 6 2
# 16 7 1531905378 9 5 7 2
# 17 7 634551342 3 7 9 1
另一种选择是使用
sklearn.model_selection.GroupShuffleSplit喜欢:
from sklearn.model_selection import GroupShuffleSplit
gss = GroupShuffleSplit(n_splits=1, train_size=.8, random_state=42)
for train_idx, test_idx in gss.split(x.index, groups=x['PersonID']):
print("TRAIN ID:", x.loc[train_idx,'PersonID'].unique(),
", Timestamp:", x.loc[train_idx,'Timestamp'].mean(),)
print("TEST ID:", x.loc[test_idx,'PersonID'].unique(),
", Timestamp:", x.loc[test_idx,'Timestamp'].mean())
# TRAIN ID: [1 3 4 5 7 8] , Timestamp: 997267296.9375
# TEST ID: [2 6] , Timestamp: 1015887947.25
并增加参数
n_splits
并保留为火车提供最小平均值或为测试提供最高平均值的拆分。
关于python - 按时间拆分分组的 Pandas 数据框,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/68365887/
pandas.crosstab 和 Pandas 数据透视表似乎都提供了完全相同的功能。有什么不同吗? 最佳答案 pivot_table没有 normalize争论,不幸的是。 在 crosstab
我能找到的最接近的答案似乎太复杂:How I can create an interval column in pandas? 如果我有一个如下所示的 pandas 数据框: +-------+ |
这是我用来将某一行的一列值移动到同一行的另一列的当前代码: #Move 2014/15 column ValB to column ValA df.loc[(df.Survey_year == 201
我有一个以下格式的 Pandas 数据框: df = pd.DataFrame({'a' : [0,1,2,3,4,5,6], 'b' : [-0.5, 0.0, 1.0, 1.2, 1.4,
所以我有这两个数据框,我想得到一个新的数据框,它由两个数据框的行的克罗内克积组成。正确的做法是什么? 举个例子:数据框1 c1 c2 0 10 100 1 11 110 2 12
TL;DR:在 pandas 中,如何绘制条形图以使其 x 轴刻度标签看起来像折线图? 我制作了一个间隔均匀的时间序列(每天一个项目),并且可以像这样很好地绘制它: intensity[350:450
我有以下两个时间列,“Time1”和“Time2”。我必须计算 Pandas 中的“差异”列,即 (Time2-Time1): Time1 Time2
从这个 df 去的正确方法是什么: >>> df=pd.DataFrame({'a':['jeff','bob','jill'], 'b':['bob','jeff','mike']}) >>> df
我想按周从 Pandas 框架中的列中累积计算唯一值。例如,假设我有这样的数据: df = pd.DataFrame({'user_id':[1,1,1,2,2,2],'week':[1,1,2,1,
数据透视表的表示形式看起来不像我在寻找的东西,更具体地说,结果行的顺序。 我不知道如何以正确的方式进行更改。 df示例: test_df = pd.DataFrame({'name':['name_1
我有一个数据框,如下所示。 Category Actual Predicted 1 1 1 1 0
我有一个 df,如下所示。 df: ID open_date limit 1 2020-06-03 100 1 2020-06-23 500
我有一个 df ,其中包含与唯一值关联的各种字符串。对于这些唯一值,我想删除不等于单独列表的行,最后一行除外。 下面使用 Label 中的各种字符串值与 Item 相关联.所以对于每个唯一的 Item
考虑以下具有相同名称的列的数据框(显然,这确实发生了,目前我有一个像这样的数据集!:() >>> df = pd.DataFrame({"a":range(10,15),"b":range(5,10)
我在 Pandas 中有一个 DF,它看起来像: Letters Numbers A 1 A 3 A 2 A 1 B 1 B 2
如何减去两列之间的时间并将其转换为分钟 Date Time Ordered Time Delivered 0 1/11/19 9:25:00 am 10:58:00 am
我试图理解 pandas 中的下/上百分位数计算,但有点困惑。这是它的示例代码和输出。 test = pd.Series([7, 15, 36, 39, 40, 41]) test.describe(
我有一个多索引数据框,如下所示: TQ bought HT Detailed Instru
我需要从包含值“低”,“中”或“高”的数据框列创建直方图。当我尝试执行通常的df.column.hist()时,出现以下错误。 ex3.Severity.value_counts() Out[85]:
我试图根据另一列的长度对一列进行子串,但结果集是 NaN .我究竟做错了什么? import pandas as pd df = pd.DataFrame([['abcdefghi','xyz'],
我是一名优秀的程序员,十分优秀!