Question

我有一个包含亚马逊评论数据的相当大的CSV文件，我将其读入大熊猫数据框。我想将数据分成80-20（训练测试），但在这样做时我想确保分割数据按比例代表一列（类别）的值，即所有不同类别的评论都存在于列车中并按比例测试数据。

数据如下所示：

**ReviewerID**       **ReviewText**        **Categories**       **ProductId**

1212                   good product         Mobile               14444425
1233                   will buy again       drugs                324532
5432                   not recomended       dvd                  789654123

我使用以下代码执行此操作：

import pandas as pd
Meta = pd.read_csv('C:\\Users\\xyz\\Desktop\\WM Project\\Joined.csv')
import numpy as np
from sklearn.cross_validation import train_test_split

train, test = train_test_split(Meta.categories, test_size = 0.2, stratify=y)

它出现以下错误

NameError: name 'y' is not defined

由于我对python相对较新，我无法弄清楚我做错了什么，或者这段代码是否会根据列类别进行分层。当我从train-test split中删除分层选项以及类别列时，似乎工作正常。

任何帮助将不胜感激。

Answer 1

    >>> import pandas as pd
    >>> Meta = pd.read_csv('C:\\Users\\*****\\Downloads\\so\\Book1.csv')
    >>> import numpy as np
    >>> from sklearn.model_selection import train_test_split
    >>> y = Meta.pop('Categories')
    >>> Meta
        ReviewerID      ReviewText  ProductId
        0        1212    good product   14444425
        1        1233  will buy again     324532
        2        5432  not recomended  789654123
    >>> y
        0    Mobile
        1     drugs
        2       dvd
        Name: Categories, dtype: object
    >>> X = Meta
    >>> X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.33, random_state=42, stratify=y)
    >>> X_test
        ReviewerID    ReviewText  ProductId
        0        1212  good product   14444425

Answer 2

<强> sklearn.model_selection.train_test_split

分层：类似数组或无（默认为无）

如果不是None，则数据以分层方式拆分，使用此作为类标签。

在API文档中，我认为您必须尝试X_train, X_test, y_train, y_test = train_test_split(Meta_X, Meta_Y, test_size = 0.2, stratify=Meta_Y)。

Meta_X，Meta_Y应由您正确分配（我认为Meta_Y应基于您的代码Meta.categories。）

Answer 3

我不知道为什么没有人提到 StratifiedShuffleSplit

from sklearn.model_selection import StratifiedShuffleSplit
split = StratifiedShuffleSplit(n_splits=10, test_size=0.2, random_state=42)
for train_index, test_index in split.split(df, df['Categories']):
    strat_train_set = df.loc[train_index]
    strat_test_set = df.loc[test_index]

有关文档，请参阅 StratifiedShuffleSplit

基于列的sklearn分层抽样

3 个答案: