代码之家 › 专栏 › 技术社区 › Georg Heiler

每组1:1分层抽样

subsampling multisampling pandas python

1

Georg Heiler · 技术社区 · 5 年前

如何在python中执行1:1分层抽样?

假设熊猫数据帧 df 严重失衡。它包含一个二进制组和多个分类子组列。

df = pd.DataFrame({'id':[1,2,3,4,5], 'group':[0,1,0,1,0], 'sub_category_1':[1,2,2,1,1], 'sub_category_2':[1,2,2,1,1], 'value':[1,2,3,1,2]})
display(df)
display(df[df.group == 1])
display(df[df.group == 0])
df.group.value_counts()

对于主管道的每个构件 group==1 我要找一个匹配的 group==0 用

< P>


   StratifiedShuffleSplit

从SciKit学习将只返回数据的随机部分,而不是1:1匹配。

1 回复 | 直到 5 年前

1

Dani Mesejo 5 年前

如果我理解正确,你可以用 np.random.permutation

import numpy as np
import pandas as pd

np.random.seed(42)

df = pd.DataFrame({'id': [1, 2, 3, 4, 5], 'group': [0, 1, 0, 1, 0], 'sub_category_1': [1, 2, 2, 1, 1],
                   'sub_category_2': [1, 2, 2, 1, 1], 'value': [1, 2, 3, 1, 2]})

# create new column with an identifier for a combination of categories
columns = ['sub_category_1', 'sub_category_2']
labels = df.loc[:, columns].apply(lambda x: ''.join(map(str, x.values)), axis=1)
values, keys = pd.factorize(labels)
df['label'] = labels.map(dict(zip(keys, values)))

# build distribution of sub-categories combinations
distribution = df[df.group == 1].label.value_counts().to_dict()

# select from group 0 only those rows that are in the same sub-categories combinations
mask = (df.group == 0) & (df.label.isin(distribution))

# do random sampling
selected = np.ravel([np.random.permutation(group.index)[:distribution[name]] for name, group in df.loc[mask].groupby(['label'])])

# display result
result = df.drop('label', axis=1).iloc[selected]
print(result)

输出

group id sub_category_1 sub_category_2 value 4 0 5 1 1 2 2 0 3 2 2 3

请注意,此解决方案假定 group 1 小于中相应子组的大小 group 0 . 更强大的版本包括使用 np.random.choice 替换为:

selected = np.ravel([np.random.choice(group.index, distribution[name], replace=True) for name, group in df.loc[mask].groupby(['label'])])

有选择的版本与有排列的版本没有相同的假设,尽管它要求每个子类别组合至少有一个元素。