将数据集分为训练和测试数据，保持比例

Question

我有Iris数据集（可以在这里找到：https://www.kaggle.com/uciml/iris），我应该将其分为测试集和训练集。但是，我需要对其进行拆分，以使训练和测试集中的类分布与完整数据集中的类分布相同。

我已经看到了这个问题的最高答案：how to split a dataset into training and validation set keeping ratio between classes?，但是由于我对数据科学和python还是陌生的，所以我很迷茫。

对于虹膜数据集，前50行是一种花，接下来的50行是第二种花，后50行是第三种花。我怎么写，这样我会得到例如。每三分之一有50％的测试数据？在上面链接的问题中，我真的无法理解他们在哪里以及如何做到这一点。如果您能像孩子一样解释这一点，我将不胜感激。

x_train代表花朵的4种不同特征，y_train代表我们拥有的花朵的那种特征吗？

提前谢谢！

编辑：我尝试过

  

x_train，x_test，y_train，y_test = train_test_split（x，y，test_size = 0.5，random_state = 65）

但这是一种公平的方法吗？我选择了不同数量的随机状态，直到我在测试和训练集中获得每种花型的正好25个（总是大约1/3，但有了65个我就精确了）。感觉有点像在欺骗……

Answer 1

您可以在这里使用StratifiedKFold： http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.StratifiedKFold.html

train_test_split还具有 stratify 参数： http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html#sklearn.model_selection.train_test_split

请给我一个例子来说明我。

Answer 2

  

sklearn.model_selection.train_test_split

具有shuffle和stratify参数。

默认shuffle = True和stratify=None

如果您要处理回归问题，则默认情况下，train_test_split将为您重新整理数据。

如果要处理分类，则需要指定stratify = << your response variable >>

有关更多信息，请检查documentation

谢谢