StratifiedKfold在异构DataFrame上

tut*_*uca 2 python machine-learning pandas scikit-learn cross-validation

我有一个pandas DataFrame,它包含字符串和浮点数,需要拆分成平衡切片才能训练sklearn管道.

理想情况下,我会在DataFrame上使用StratifiedKFold来获取较小的数据块以进行交叉验证.但它抱怨我有无法解决的类型,如下所示:

import pandas as pd
from sklearn.cross_validation import StratifiedKFold

dataset = pd.DataFrame(
    [
        {'title': 'Dábale arroz a la zorra el abad', 'size':1.2, 'target': 1},
        {'title': 'Ana lleva al oso la avellana', 'size':1.0, 'target': 1},
        {'title': 'No te enrollé yornetón', 'size':1.4, 'target': 0},
        {'title': 'Acá sólo tito lo saca', 'size':1.4, 'target': 0},
    ])
skfs = StratifiedKFold(dataset, n_folds=2)

>>>  TypeError: unorderable types: str() > float()
Run Code Online (Sandbox Code Playgroud)

有一些方法可以获得折叠索引并对DataFrame进行切片,但我认为这并不能保证我的类会得到平衡.

拆分DataFrame的最佳方法是什么?

Ste*_*fan 6

StratifiedKFold需要分割的数量,并且该.split()方法使用标签的类分布来对样本进行分层.假设你的labeltarget,你会:

from sklearn.model_selection import StratifiedKFold
skf = StratifiedKFold(n_splits=2)
X=dataset.drop('target', axis=1)
y=dataset.target
for train_index, test_index in skf.split(X, y):
    X_train, X_test = X.iloc[train_index], X.iloc[test_index]
    y_train, y_test = y.iloc[train_index], y.iloc[test_index]
Run Code Online (Sandbox Code Playgroud)

  • 自 0.18 版后已弃用:此模块将在 0.20 中删除。改用 sklearn.model_selection.StratifiedKFold 。 (2认同)

Mat*_*att 6

sklearn.cross_validation.StratifiedKFold自 0.18 版起已弃用,并将在 0.20 中删除。所以这里有一个替代方法:

from sklearn.model_selection import StratifiedKFold

skf = StratifiedKFold(n_splits=2)
t = dataset.target
for train_index, test_index in skf.split(np.zeros(len(t)), t):
    train = dataset.loc[train_index]
    test = dataset.loc[test_index]
Run Code Online (Sandbox Code Playgroud)

  • 使用 `iloc` 可能更通用,因为我认为 `train_index` 和 `test_index` 给出了行号 (3认同)