有没有办法一次创建多个分层样本？

Question

假设我有这个输入数据集，其 ID 为：a、b、c

我需要按每个样本 +-100 行的包进行排序，其 Id 分布与输入整个总体相同。

最好的方法是什么？

Answer 1

您可以使用

StratifiedShuffleSplit

，它用于将数据集分成两部分

data_train

和

data_test

。两者都是基于向量

y

进行分层。

对于您的问题，您可以指定测试中的大小/行数，然后获取生成的测试数据集。

import numpy as np
from sklearn.model_selection import StratifiedShuffleSplit

# dataset
X = np.random.random(size = [1000, 2]) 

# your 'ids/groups' for stratification
y = np.random.randint(10, size=(X.shape[0],)) 

# n_splits - number of different samples to create
# test_size - number of rows required in sampled dataset
sss = StratifiedShuffleSplit(n_splits=500, test_size=100, random_state=0)


# iterate through generations.
# stratifications will be done based on `y`
for i, (_, test_index) in enumerate(sss.split(X, y)):
    print (test_index.shape)