ฉันมีดาต้าเฟรมแพนด้าและฉันต้องการแบ่งเป็น 3 ชุดแยกกัน ฉันรู้ว่าการใช้train_test_splitจากsklearn.cross_validationหนึ่งสามารถแบ่งข้อมูลออกเป็นสองชุด (ฝึกและทดสอบ) อย่างไรก็ตามฉันไม่พบวิธีแก้ปัญหาเกี่ยวกับการแบ่งข้อมูลออกเป็นสามชุด โดยเฉพาะอย่างยิ่งฉันต้องการมีดัชนีของข้อมูลต้นฉบับ
ฉันรู้ว่าวิธีแก้ปัญหาคือต้องใช้train_test_splitสองครั้งและปรับดัชนี แต่มีวิธีมาตรฐาน / ในตัวมากกว่าในการแบ่งข้อมูลออกเป็น 3 ชุดแทนที่จะเป็น 2 หรือไม่?
คำตอบ:
สารละลายที่เป็นหนอง เราจะสับชุดข้อมูลทั้งหมดก่อน ( df.sample(frac=1, random_state=42)) จากนั้นแยกชุดข้อมูลของเราออกเป็นส่วนต่อไปนี้:
In [305]: train, validate, test = \
np.split(df.sample(frac=1, random_state=42),
[int(.6*len(df)), int(.8*len(df))])
In [306]: train
Out[306]:
A B C D E
0 0.046919 0.792216 0.206294 0.440346 0.038960
2 0.301010 0.625697 0.604724 0.936968 0.870064
1 0.642237 0.690403 0.813658 0.525379 0.396053
9 0.488484 0.389640 0.599637 0.122919 0.106505
8 0.842717 0.793315 0.554084 0.100361 0.367465
7 0.185214 0.603661 0.217677 0.281780 0.938540
In [307]: validate
Out[307]:
A B C D E
5 0.806176 0.008896 0.362878 0.058903 0.026328
6 0.145777 0.485765 0.589272 0.806329 0.703479
In [308]: test
Out[308]:
A B C D E
4 0.521640 0.332210 0.370177 0.859169 0.401087
3 0.333348 0.964011 0.083498 0.670386 0.169619
[int(.6*len(df)), int(.8*len(df))]- เป็นindices_or_sections อาร์เรย์numpy.split ()
นี่คือการสาธิตเล็กน้อยสำหรับnp.split()การใช้งาน - มาแบ่งอาร์เรย์ 20 องค์ประกอบออกเป็นส่วนต่อไปนี้: 80%, 10%, 10%:
In [45]: a = np.arange(1, 21)
In [46]: a
Out[46]: array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20])
In [47]: np.split(a, [int(.8 * len(a)), int(.9 * len(a))])
Out[47]:
[array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16]),
array([17, 18]),
array([19, 20])]
frac=1สั่งsample()ให้ฟังก์ชันส่งคืนแถวทั้งหมด ( 100%หรือเศษส่วน = 1.0)
np.random.seed(any_number)ก่อนเส้นแบ่งเพื่อให้ได้ผลลัพธ์เดียวกันกับทุกการวิ่ง ประการที่สองที่จะทำให้อัตราส่วนที่ไม่เท่ากันเช่นการใช้งานtrain:test:val::50:40:10 [int(.5*len(dfn)), int(.9*len(dfn))]ในที่นี้องค์ประกอบแรกหมายถึงขนาดสำหรับtrain(0.5%) องค์ประกอบที่สองหมายถึงขนาดสำหรับval(1-0.9 = 0.1%) และความแตกต่างระหว่างสองแสดงขนาดสำหรับtest(0.9-0.5 = 0.4%) แก้ไขฉันถ้าฉันผิด :)
ฟังก์ชั่นถูกเขียนขึ้นเพื่อจัดการกับการสร้างเซตแบบสุ่ม คุณไม่ควรพึ่งพาการแยกเซตที่ไม่สุ่มชุด
import numpy as np
import pandas as pd
def train_validate_test_split(df, train_percent=.6, validate_percent=.2, seed=None):
np.random.seed(seed)
perm = np.random.permutation(df.index)
m = len(df.index)
train_end = int(train_percent * m)
validate_end = int(validate_percent * m) + train_end
train = df.iloc[perm[:train_end]]
validate = df.iloc[perm[train_end:validate_end]]
test = df.iloc[perm[validate_end:]]
return train, validate, test
np.random.seed([3,1415])
df = pd.DataFrame(np.random.rand(10, 5), columns=list('ABCDE'))
df
train, validate, test = train_validate_test_split(df)
train
validate
test
อย่างไรก็ตามวิธีการหนึ่งที่จะแบ่งชุดลงtrain, test, cvกับ0.6, 0.2, 0.2จะใช้train_test_splitวิธีการสองครั้ง
from sklearn.model_selection import train_test_split
x, x_test, y, y_test = train_test_split(xtrain,labels,test_size=0.2,train_size=0.8)
x_train, x_cv, y_train, y_cv = train_test_split(x,y,test_size = 0.25,train_size =0.75)
np.split()แยกข้อมูลที่ควรจะทำกับการทำงานครั้งเดียวเช่น sklearnนอกจากนี้ก็ไม่จำเป็นต้องพึ่งพาเพิ่มเติมเกี่ยวกับ
นี่คือฟังก์ชัน Python ที่แยกดาต้าเฟรมของ Pandas ออกเป็นรถไฟการตรวจสอบและทดสอบดาต้าเฟรมด้วยการสุ่มตัวอย่างแบบแบ่งชั้น ดำเนินการแยกนี้โดยเรียกฟังก์ชันของ scikit-learn train_test_split()สองครั้ง
import pandas as pd
from sklearn.model_selection import train_test_split
def split_stratified_into_train_val_test(df_input, stratify_colname='y',
frac_train=0.6, frac_val=0.15, frac_test=0.25,
random_state=None):
'''
Splits a Pandas dataframe into three subsets (train, val, and test)
following fractional ratios provided by the user, where each subset is
stratified by the values in a specific column (that is, each subset has
the same relative frequency of the values in the column). It performs this
splitting by running train_test_split() twice.
Parameters
----------
df_input : Pandas dataframe
Input dataframe to be split.
stratify_colname : str
The name of the column that will be used for stratification. Usually
this column would be for the label.
frac_train : float
frac_val : float
frac_test : float
The ratios with which the dataframe will be split into train, val, and
test data. The values should be expressed as float fractions and should
sum to 1.0.
random_state : int, None, or RandomStateInstance
Value to be passed to train_test_split().
Returns
-------
df_train, df_val, df_test :
Dataframes containing the three splits.
'''
if frac_train + frac_val + frac_test != 1.0:
raise ValueError('fractions %f, %f, %f do not add up to 1.0' % \
(frac_train, frac_val, frac_test))
if stratify_colname not in df_input.columns:
raise ValueError('%s is not a column in the dataframe' % (stratify_colname))
X = df_input # Contains all columns.
y = df_input[[stratify_colname]] # Dataframe of just the column on which to stratify.
# Split original dataframe into train and temp dataframes.
df_train, df_temp, y_train, y_temp = train_test_split(X,
y,
stratify=y,
test_size=(1.0 - frac_train),
random_state=random_state)
# Split the temp dataframe into val and test dataframes.
relative_frac_test = frac_test / (frac_val + frac_test)
df_val, df_test, y_val, y_test = train_test_split(df_temp,
y_temp,
stratify=y_temp,
test_size=relative_frac_test,
random_state=random_state)
assert len(df_input) == len(df_train) + len(df_val) + len(df_test)
return df_train, df_val, df_test
ด้านล่างนี้เป็นตัวอย่างการทำงานที่สมบูรณ์
พิจารณาชุดข้อมูลที่มีป้ายกำกับที่คุณต้องการดำเนินการแบ่งชั้น ป้ายนี้มีการกระจายของตัวเองในชุดเดิมที่บอกว่า 75% foo, 15% barและ baz10% ตอนนี้เรามาแยกชุดข้อมูลออกเป็นรถไฟการตรวจสอบความถูกต้องและการทดสอบเป็นชุดย่อยโดยใช้อัตราส่วน 60/20/20 โดยที่แต่ละส่วนจะมีการกระจายป้ายกำกับเหมือนกัน ดูภาพประกอบด้านล่าง:
นี่คือชุดข้อมูลตัวอย่าง:
df = pd.DataFrame( { 'A': list(range(0, 100)),
'B': list(range(100, 0, -1)),
'label': ['foo'] * 75 + ['bar'] * 15 + ['baz'] * 10 } )
df.head()
# A B label
# 0 0 100 foo
# 1 1 99 foo
# 2 2 98 foo
# 3 3 97 foo
# 4 4 96 foo
df.shape
# (100, 3)
df.label.value_counts()
# foo 75
# bar 15
# baz 10
# Name: label, dtype: int64
ตอนนี้ขอเรียกใช้split_stratified_into_train_val_test()ฟังก์ชันจากด้านบนเพื่อรับการฝึกอบรมการตรวจสอบและทดสอบดาต้าเฟรมตามอัตราส่วน 60/20/20
df_train, df_val, df_test = \
split_stratified_into_train_val_test(df, stratify_colname='label', frac_train=0.60, frac_val=0.20, frac_test=0.20)
สาม dataframes df_train, df_valและdf_testมีทั้งหมดแถวเดิม แต่ขนาดของพวกเขาจะเป็นไปตามอัตราส่วนดังกล่าวข้างต้น
df_train.shape
#(60, 3)
df_val.shape
#(20, 3)
df_test.shape
#(20, 3)
นอกจากนี้แต่ละสามแยกจะมีการกระจายเดียวกันของฉลากคือ 75% foo, 15% barและ baz10%
df_train.label.value_counts()
# foo 45
# bar 9
# baz 6
# Name: label, dtype: int64
df_val.label.value_counts()
# foo 15
# bar 3
# baz 2
# Name: label, dtype: int64
df_test.label.value_counts()
# foo 15
# bar 3
# baz 2
# Name: label, dtype: int64
สะดวกในการใช้งานtrain_test_splitโดยไม่ต้องทำดัชนีซ้ำหลังจากแบ่งเป็นหลายชุดและไม่ต้องเขียนโค้ดเพิ่มเติม คำตอบที่ดีที่สุดข้างต้นไม่ได้กล่าวถึงว่าการแยกสองครั้งโดยtrain_test_splitไม่เปลี่ยนขนาดพาร์ติชันจะไม่ทำให้พาร์ติชันที่ตั้งใจไว้ในตอนแรก:
x_train, x_remain = train_test_split(x, test_size=(val_size + test_size))
จากนั้นส่วนของการตรวจสอบความถูกต้องและชุดทดสอบใน x_remain จะเปลี่ยนไปและสามารถนับเป็น
new_test_size = np.around(test_size / (val_size + test_size), 2)
# To preserve (new_test_size + new_val_size) = 1.0
new_val_size = 1.0 - new_test_size
x_val, x_test = train_test_split(x_remain, test_size=new_test_size)
ในครั้งนี้พาร์ติชันเริ่มต้นทั้งหมดจะถูกบันทึก
ในกรณีของการเรียนรู้ภายใต้การดูแลคุณอาจต้องการแยกทั้ง X และ y (โดยที่ X คืออินพุตของคุณและ y เป็นเอาต์พุตความจริงพื้นดิน) คุณต้องใส่ใจกับการสุ่ม X และ y ในลักษณะเดียวกันก่อนที่จะแยก
ที่นี่ทั้ง X และ y อยู่ในดาต้าเฟรมเดียวกันดังนั้นเราจึงสับเปลี่ยนพวกมันแยกพวกมันและใช้การแยกสำหรับแต่ละอัน (เช่นเดียวกับในคำตอบที่เลือก) หรือ X และ y อยู่ในดาต้าเฟรมสองแบบที่แตกต่างกันดังนั้นเราจึงสลับ X เรียงลำดับ y ใหม่ เช่นเดียวกับ X แบบสับและใช้การแบ่งกับแต่ละอัน
# 1st case: df contains X and y (where y is the "target" column of df)
df_shuffled = df.sample(frac=1)
X_shuffled = df_shuffled.drop("target", axis = 1)
y_shuffled = df_shuffled["target"]
# 2nd case: X and y are two separated dataframes
X_shuffled = X.sample(frac=1)
y_shuffled = y[X_shuffled.index]
# We do the split as in the chosen answer
X_train, X_validation, X_test = np.split(X_shuffled, [int(0.6*len(X)),int(0.8*len(X))])
y_train, y_validation, y_test = np.split(y_shuffled, [int(0.6*len(X)),int(0.8*len(X))])