Python Sklearn将数据框架和CSR矩阵拆分为测试和训练集

我正在尝试使用scikit learn DecisionTree和Pandas Dataframe对文本进行分类： 首先，我构建了一个如下所示的数据帧：

   cat1  cat2                             corpus           title
0     0     1                     Test Test Test    erster titel
1     1     0                   Test Super Super   zweiter titel
2     0     1                     Test Test Test   dritter titel
3     0     1                    Test Super Test   vierter titel
4     1     0                   Super Test Super  fuenfter titel
5     1     1         Super einfacher Test Super  fuenfter titel
6     1     1  Super simple einfacher Test Super  fuenfter titel

然后我生成一个TF IDF矩阵：

_matrix = generate_tf_idf_matrix(training_df['corpus'].values)

它返回csr矩阵（CountVectorizer->TfidfTransformer）

对于我的分类器，我想使用

    train_X = _matrix
    train_Y = training_df[['cat1','cat2']]

对于多标签分类

我现在的问题是：

如何将数据帧和csr矩阵拆分为测试集和训练集？ 如果在创建矩阵之前拆分数据框，csr矩阵会有另一个大小，因为我的文档具有不同的功能。

---

限制：我不想将我的矩阵转换为数组，这样我就可以轻松地拆分它。

scikit learns软件包已经包含一个非常强大的用于train val测试交叉验证功能的模块。您可以快速查看整个模块（此处为）

一般来说，他们会做这项工作：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33)

但是，如果您的类

y

非常不平衡，您可能会对分割训练/测试数据集中的数据，但保留每个训练/测试集中每个类的百分比的方法感兴趣

因此，在您的情况下，首先创建

X=_矩阵

和

y=training_df[['cat1'，'cat2']]

，然后使用

scikit learn

函数将其拆分到训练/测试数据集中