Python 如何确保用户和项目出现在sklearn中的train_test_split的列车和测试数据集中？

我有一个数据集，包括

用户ID

，

项目ID

，以及

评级

，如下所示：

user ID     item ID    rating
 1233        1011       4
 1220        0999       3
 2011        0702       1
 ...

当我将它们分为

train

和

test

组时：

from sklearn import cross_validation

train, test = cross_validation.train_test_split(df, test_size = 0.2)

---

测试集中的用户是否已经出现在列车集中，项目是否已经出现？如果没有，我怎么做？我在这本书里找不到答案。您能告诉我吗？

如果您想确保您的培训和测试分区不包含相同的用户和项目对，那么您可以用整数标签替换每个唯一的（用户、项目）组合，然后将这些标签传递给。要为每个唯一配对分配整数标签，可以使用：

---

我还是很难理解你的问题。如果您想保证您的培训和测试集确实包含同一用户的示例，则可以使用：

def系列测试分割（自身、额定值、系列速率=0.8）：
"""
将评分分为训练集和测试集
"""
grps=评级.groupby（'user_id'）。组
test_df_index=list（）
列车df_索引=列表（）
test_iid=list（）
列车iid=列表（）
对于GRP中的键：
计数=0
本地索引=列表（）
grp=np.array（list（grps[key]））
n_测试=int（长度（grp）*（1-列车速度））
对于i，枚举中的索引（grp）：
如果计数>=n\u测试：
打破
如果测试iid中的ratings.iloc[index]['movie\u id']：
持续
test\u iid.append（ratings.iloc[index]['movie\u id']）
test_df_index.append（索引）
局部索引追加（i）
计数+=1
grp=np.delete（grp，本地索引）
如果计数=n\u测试：
打破
test\u iid.append（ratings.iloc[index]['movie\u id']）
test_df_index.append（索引）
局部索引追加（i）
计数+=1
grp=np.delete（grp，本地索引）
序列df索引追加（grp）
test_df_index=np.hstack（np.array（test_df_index））
train_df_index=np.hstack（np.array（train_df_index））
np.random.shuffle（测试索引）
np.random.shuffle（训练索引）
返回评级.iloc[训练指数]，ratings.iloc[测试指数]

---

您可以使用此方法进行拆分，我已经尽力确保培训集和测试集具有相同的用户id和电影id。

我不理解这个问题。你到底想做什么？@kazemakase该模型用于预测测试集中从

用户

到

项目

的

评分

。为此，我们必须测量列车组中

用户

和

项目

的潜在因素。那么，我如何确保测试集中的用户也在列车集中呢。当然，同样的事情也应该发生在物品中。更好吗？我也不太明白你在问什么。是否要按用户、项目或用户与项目的唯一组合进行分层？例如，您是否允许您的培训和测试分区都包含用户X对不同项目的排名，或者都包含不同用户对项目Y的排名？它们都包含用户X和项目Y的示例，只要它们都不包含用户X对项目Y的评级，是否可以？@ali_m这就是我的意思：

允许您的培训和测试分区都包含用户X对不同项目的排名，或者两者都包含不同用户对项目Y的排名

和

好，它们都包含用户X和项目Y的示例，只要它们都不包含用户X对项目Y的评分

对不起，我不担心训练集和测试集包含同一对用户和项目。我担心测试集中出现的用户未在培训集中测量。请参阅我的编辑。我发现很难推断你想要什么，因为你的问题措辞含糊不清。

import numpy as np
import pandas as pd
from sklearn.cross_validation import LabelKFold

df = pd.DataFrame({'users':[0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2],
                   'items':[0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
                   'ratings':[2, 4, 3, 1, 4, 3, 0, 0, 0, 1, 0, 1]})

users_items = df[['users', 'items']].values
d = np.dtype((np.void, users_items.dtype.itemsize * users_items.shape[1]))
_, uidx = np.unique(np.ascontiguousarray(users_items).view(d), return_inverse=True)

for train, test in LabelKFold(uidx):

    # train your classifier using df.loc[train, ['users', 'items']] and
    # df.loc[train, 'ratings']...

    # cross-validate on df.loc[test, ['users', 'items']] and
    # df.loc[test, 'ratings']...

for train, test in StratifiedKFold(df['users']):
    # ...