python：从数据中随机抽取样本，但保持相同的分布

Question

我有一个训练数据，有20,000个以上的实例，分为3个类，分布如A = 10％，B = 20％，C = 70％。 sklearn或pandas或其他任何可以从这些数据中获取10％样本但同时尊重不同类别分布的方法吗？我需要对数据进行网格搜索，但原始数据集的维度太高（20,000 x 12,000特征维度）

train_test_split将保留分布，但它只将整个数据集拆分为两组，这两组仍然太大。

由于

Answer 1

您应该使用Stratifiefkfold。通过保留每个类别的样本百分比来进行折叠。 请参阅文档以了解如何使用它。

Answer 2

train_test_split函数允许定义训练数据的大小：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1)

See the docs

Answer 3

您应该可以将df1 <- structure(list(No = 1:9, Event = c("A", "B", "B", "B", "C", "B", "B", "B", "A"), Time = c("22:00:00", "22:00:10", "22:00:20", "22:00:30", "22:00:40", "22:00:10", "22:00:20", "22:00:30", "22:00:40" )), .Names = c("No", "Event", "Time"), class = "data.frame", row.names = c(NA, -9L)) 与train_test_split一起使用。应通过随机样本（大致）保留类的比例。