Scikit train_test_split 按索引

Question

我有一个按日期索引的

pandas

数据框。我们假设从 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特定日期（或索引）。我正在努力

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

但是当我检查这些值时，我发现日期是混合的。我想将我的数据拆分为：

Jan-1 to Jan-24

进行训练，

Jan-25 to Jan-30

进行测试（因为 test_size 为 0.2，这使得 24 个用于训练，6 个用于测试）

我该怎么做？

Answer 1

你应该使用

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

不要使用

random_state=None

它将需要

numpy.random

在这里提到使用

shuffle=False

和

stratify=None

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

成为

           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]