如何拆分测试和训练数据，以保证每个类中至少有一个

Question

我正在尝试分类一些相当不平衡的数据。 但是，它的分类相当好。

为了准确评估效果，我必须将数据分成训练和测试子集。

现在我正在通过以下非常简单的措施来做到这一点：

import numpy as np
corpus = pandas.DataFrame(..., columns=["data","label"]) # My data, simplified
train_index = np.random.rand(len(corpus))>0.2
training_data = corpus[train_index]
test_data = corpus[np.logical_not(train_index)]

这很好也很简单，但是有些类很少出现： 在超过 50,000 个案例的语料库中，大约有 15 个每个出现不到 100 次，其中两个每个只出现一次。

我想将我的数据语料库划分为测试和训练子集，这样：

• 如果一个类出现的次数少于两次，则将其排除在两次之外
• 每个课程至少出现一次，在测试和训练中
• 测试和训练的划分是随机的

我可以拼凑一些东西来做到这一点， （可能最简单的方法是删除出现次数少于 2 的东西），然后重新采样直到唾液在每一侧都有），但我想知道是否已经存在一种干净的方法。

我不认为sklearn.cross_validation.train_test_split 可以做到这一点，但它的存在表明 sklearn 可能具有这种功能。

Answer 1

以下满足您将数据划分为测试和训练的 3 个条件：

#get rid of items with fewer than 2 occurrences.
corpus=corpus[corpus.groupby('label').label.transform(len)>1]

from sklearn.cross_validation import StratifiedShuffleSplit
sss=StratifiedShuffleSplit(corpus['label'].tolist(), 1, test_size=0.5, random_state=None)

train_index, test_index =list(*sss)
training_data=corpus.iloc[train_index]
test_data=corpus.iloc[test_index]

我已经使用以下虚构数据框测试了上面的代码：

#create random data with labels 0 to 39, then add 2 label case and one label case.     
corpus=pd.DataFrame({'data':np.random.randn(49998),'label':np.random.randint(40,size=49998)})
corpus.loc[49998]=[random.random(),40]
corpus.loc[49999]=[random.random(),40]
corpus.loc[50000]=[random.random(),41]

在测试代码时会产生以下输出：

test_data[test_data['label']==40]
Out[110]: 
           data  label
49999  0.231547     40

training_data[training_data['label']==40]
Out[111]: 
           data  label
49998  0.253789     40

test_data[test_data['label']==41]
Out[112]: 
Empty DataFrame
Columns: [data, label]
Index: []

training_data[training_data['label']==41]
Out[113]: 
Empty DataFrame
Columns: [data, label]
Index: []