Python 3.x Python—获取培训和测试数据的自定义采样

我有一个高度不平衡的数据集

我的数据集包含1450条记录，输出为二进制0和1。输出0有1200条记录，输出1有250条记录

我正在使用这段代码为模型构建测试和培训数据集

from sklearn.cross_validation import train_test_split 
X = Actual_DataFrame
y = Actual_DataFrame.pop('Attrition')
X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.20, random_state=42, stratify=y)

但我想通过一个函数来指定培训记录的数量，以及其中有多少百分比需要来自类“0”，有多少百分比需要来自类“1”

So, a function which takes 2 Inputs are needed for creating the training_data:-
Total Number of Records for Training Data,
Number of Records that belongs to Class '1'

---

这将对解决有偏差的采样数据集问题有很大帮助。

您只需编写一个函数，该函数非常类似于

sklearn

中的

train\u test\u split

。其思想是，通过输入参数

train\u size

和

pos\u class\u size

，您可以计算出需要多少正类样本和负类样本

def custom_split(X, y, train_size, pos_class_size, random_state=42):
    neg_class_size = train_size = pos_class_size
    pos_df = X[y == 1]
    neg_df = X[y == 0]

    pos_train = pos_df.sample(pos_class_size)
    pos_test = pos_df[~pos_df.index.isin(pos_train.index)]

    neg_train = neg_df.sample(neg_class_size)
    neg_test = neg_df[~neg_df.index.isin(neg_train.index)]

    X_train = pd.concat([pos_train,neg_train], axis=1)
    X_test = pd.concat([pos_test,neg_test], axis=1)

    y_train = y[X_train.index]
    y_test = y[X_test.index]

    return X_train, X_test, y_train, y_test

有一些方法可以节省内存或者运行得更快，我没有用这段代码做任何测试，但它应该可以工作

---

至少，你应该能够理解背后的想法。

我不理解

neg\u class\u size=train\u size=pos\u class\u size

中的代码。这不是平衡这两个阶级（也许是平等的）的关键吗？所以，如果我想创建一个平衡的train数据集，train_大小不应该等于2*pos_class_大小，也应该等于2*neg_class_大小吗？