Python 为什么sklearn'；s训练/测试分割加PCA使我的标签不正确？

我正在Scikit learn（Python 3上的0.20）中探索PCA，使用Pandas构建数据。当我应用测试/训练分割时（仅当），我的输入标签似乎不再与PCA输出匹配

import pandas
import sklearn.datasets
from matplotlib import pyplot
import seaborn

def load_bc_as_dataframe():
    data = sklearn.datasets.load_breast_cancer()
    df = pandas.DataFrame(data.data, columns=data.feature_names)
    df['diagnosis'] = pandas.Series(data.target_names[data.target])
    return data.feature_names.tolist(), df

feature_names, bc_data = load_bc_as_dataframe()

from sklearn.model_selection import train_test_split
# bc_train, _ = train_test_split(bc_data, test_size=0)
bc_train = bc_data

from sklearn.decomposition import PCA
pca = PCA(n_components=2)
bc_pca_raw = pca.fit_transform(bc_train[feature_names])
bc_pca = pandas.DataFrame(bc_pca_raw, columns=('PCA 1', 'PCA 2'))
bc_pca['diagnosis'] = bc_train['diagnosis']

seaborn.scatterplot(
    data=bc_pca,
    x='PCA 1',
    y='PCA 2',
    hue='diagnosis',
    style='diagnosis'
)

pyplot.show()

这看起来很合理，准确的分类结果也证明了这一点。如果我将

bc\u train=bc\u data

替换为

train\u test\u split（）

调用（即使使用

test\u size=0

），我的标签似乎不再与原始标签对应

我意识到

train\u test\u split（）

正在洗牌我的数据（通常我希望它洗牌），但我不明白为什么会有问题，因为PCA和标签分配使用相同的洗牌数据。PCA的变换只是一个投影，虽然它显然不保留相同的特征（列），但它不应该改变哪个标签与哪个帧匹配

---

如何正确重新标记PCA输出？

问题分为三个部分：

train\u test\u split（）

中的洗牌导致

bc\u train

中的索引以随机顺序排列（与行位置相比）

PCA对数值矩阵进行操作，并有效地从输入中去除索引。创建新的

DataFrame

将重新创建顺序索引（与行位置相比）

现在我们在

bc\u序列中有随机索引

，在

bc\u pca中有顺序索引

。当我做

bc\u pca['diagnosis']=bc\u train['diagnosis']

时，

bc\u train

带有

bc\u pca

s索引。这将对

bc_序列

数据进行重新排序，使其索引与

bc_pca

s匹配

换句话说，当我使用

bc\u pca['diagnosis']

（即

\uuuuu setitem\uuuuu（）

）赋值时，Pandas在索引上进行左连接，而不是逐行复制（类似于

我不觉得这很直观，我也找不到源代码以外的

\uuuu setitem\uuu（）

行为文档，但我希望它对更有经验的Pandas用户来说是有意义的，也许它是在一个我从未见过的更高级别的地方被记录的

有很多方法可以避免这种情况。我可以重置培训/测试数据的索引：

bc_train, _ = train_test_split(bc_data, test_size=0)
bc_train.reset_index(inplace=True)

或者，我可以从

成员分配值：

bc_pca['diagnosis'] = bc_train['diagnosis'].values

在构建数据帧之前，我也可以做类似的事情（可以说更合理，因为PCA在
bc\u列[feature\u names].值上有效运行）。
相关：