Python .csv中的不平衡数据集

我有一个

.csv

格式的数据集，其中包含声学特征，我将用于性别语音识别，以预测它基于数据集的性别

我的问题是，我的数据集有

25个女性样本

和

152个男性样本

。总计：

177个样本（或行）

当我使用算法对数据进行训练时，这会给我带来问题

我的问题是，我如何平衡男女比例？我如何忽略或将男性样本的数量从152减少到25，从而使男性和女性之间的比例可以达到

1:1

？所以我有25个女性样本和25个男性样本

有什么方法我可以用吗

我的csv文件示例：

> 1 - female
> 
> .
> 
> 25 - female 
> 
> 26 - male
> 
> .
> 
> .
> 
> .
> 
> 177 - male

代码位于

python

使用

pandas.DataFrame.sample

。 如果您使用pandas加载了文件，则会出现如下情况：

示例：

# 177 samples = 177 rows, with females in rows 1 to 25
df.shape 
(177,1)

# define a subset containg all the males data
males_all = df.loc[26:,:]

# randomly sample this and get 25 samples of MALES
sampled_males = males_all.sample(n = 25, random_state=0)

print(sampled_males.shape)
(25, 1)

---

创建一个男声数据帧，然后用它来获取25个样本，怎么样

或者更好的是，如果您创建两个数据帧，男性和女性，您可以执行以下操作：

sample_size = min(len(males_DF),len(females_DF))
male_sample_DF = males_DF.sample(sample_size)
female_sample_DF = females_DF.sample(sample_size)

---

（未测试，可能需要一些更改）

您为什么不随机选择25个雄性样本，然后对25个雄性和25个雌性样本进行分析？我怎么做？你有什么办法可以给我看或解释吗？：）是的，但我需要更多关于你档案的信息。雌性总是在第1排到第26排？只有一个文件？您是否使用

pandas

读取

csv

文件？是正确的，我使用pandas。从第1排到第26排总是只有雌性。请注意，我在文件中也有标题好的，我现在正在写一个答案，我收到一个错误，说“tuple object is not callable”，代码的哪一部分给出了这个错误？你能上传

csv

文件吗？还是它的样本？