Question

我有一个按日期索引的pandas数据框。假设它是从1月1日到1月30日。我想将此数据集拆分为X_train，X_test，y_train，y_test，但我不想混合日期，因此我希望将训练样本和测试样本除以某个日期（或索引）。我正在尝试

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

但是当我检查值时，我看到日期是混合的。我想将数据拆分为：

Jan-1 to Jan-24进行训练，Jan-25 to Jan-30进行测试（由于test_size为0.2，因此需要24进行训练，而6则进行测试）

我该怎么做？谢谢

Answer 1

您应该使用

X_train, X_test, y_train, y_test = train_test_split(X,Y, shuffle=False, test_size=0.2, stratify=None)

请勿使用random_state=None，将需要numpy.random

在here中提到将shuffle=False与stratify=None一起使用

Answer 2

尝试使用TimeSeriesSplit：

X = pd.DataFrame({'input_1': ['a', 'b', 'c', 'd', 'e', 'f'],
                  'input_2': [1, 2, 3, 4, 5, 6]},
                 index=[pd.datetime(2018, 1, 1),
                        pd.datetime(2018, 1, 2),
                        pd.datetime(2018, 1, 3),
                        pd.datetime(2018, 1, 4),
                        pd.datetime(2018, 1, 5),
                        pd.datetime(2018, 1, 6)])
y = np.array([1, 0, 1, 0, 1, 0])

这导致X被

           input_1  input_2
2018-01-01       a        1
2018-01-02       b        2
2018-01-03       c        3
2018-01-04       d        4
2018-01-05       e        5
2018-01-06       f        6

tscv = TimeSeriesSplit(n_splits=3)
for train_ix, test_ix in tscv.split(X):
    print(train_ix, test_ix)

[0 1 2] [3]
[0 1 2 3] [4]
[0 1 2 3 4] [5]

Scikit train_test_被一条裂缝分开

2 个答案: