来自熊猫的分层样本

Question

我有一个pandas DataFrame,看起来大致如下:

cli_id | X1 | X2 | X3 | ... | Xn |  Y  |
----------------------------------------
123    | 1  | A  | XX | ... | 4  | 0.1 |
456    | 2  | B  | XY | ... | 5  | 0.2 |
789    | 1  | B  | XY | ... | 5  | 0.3 |
101    | 2  | A  | XX | ... | 4  | 0.1 |
...

我有客户端ID,很少有分类属性,Y是事件的概率,其值从0到1乘以0.1.

我需要在每个组(10倍)的大小为200的Y中采取分层样本

在分成火车/测试时,我经常使用它来分层样本:

def stratifiedSplit(X,y,size):
    sss = StratifiedShuffleSplit(y, n_iter=1, test_size=size, random_state=0)

    for train_index, test_index in sss:
        X_train, X_test = X.iloc[train_index], X.iloc[test_index]
        y_train, y_test = y.iloc[train_index], y.iloc[test_index]

    return X_train, X_test, y_train, y_test

但在这种情况下我不知道如何修改它.

Answer 1

如果每个组的样本数相同,或者每个组的比例是恒定的,您可以尝试类似的方法

df.groupby('Y').apply(lambda x: x.sample(n=200))

要么

df.groupby('Y').apply(lambda x: x.sample(frac=.1))

要针对多个变量执行分层抽样,只需对更多变量进行分组.为此可能需要构造新的分箱变量.

但是,如果组大小太小,比例如groupize 1和propotion .25,则不会返回任何项目.这是由于pythons舍入int函数的实现int(0.25)=0

Answer 2

我不完全确定你是否是这个意思：

strats = []
for k in range(11):
    y_val = k*0.1
    dummy_df = your_df[your_df['Y'] == y_val]
    stats.append( dummy_df.sample(200) )

这会生成一个仅包含Y您想要的值的虚拟数据帧，然后抽取 200 个样本。

好的，所以您需要不同的块具有相同的结构。我想这有点难，我会这样做：

首先，我会得到一个直方图，如下所示X1：

hist, edges = np.histogram(your_df['X1'], bins=np.linespace(min_x, max_x, nbins))

我们现在有了一个nbins带箱的直方图。

现在的策略是根据行的值绘制一定数量的行X1。X我们将从观察较多的箱中抽取更多的数据，并从观察较少的箱中抽取较少的数据，从而保留的结构。

特别是，每个 bin 的相对贡献应该是：

rel = [float(i) / sum(hist) for i in hist]

这会是这样的[0.1, 0.2, 0.1, 0.3, 0.3]

如果我们想要200个样本，我们需要绘制：

draws_in_bin = [int(i*200) for i in rel]

现在我们知道要从每个箱中抽取多少个观测值：

strats = []
for k in range(11):
        y_val = k*0.1

        #get a dataframe for every value of Y
        dummy_df = your_df[your_df['Y'] == y_val]

        bin_strat = []
        for left_edge, right_edge, n_draws in zip(edges[:-1], edges[1:], draws_in_bin):

             bin_df = dummy_df[ (dummy_df['X1']> left_edge) 
                              & (dummy_df['X1']< right_edge) ]

             bin_strat.append(bin_df.sample(n_draws))
             # this takes the right number of draws out 
             # of the X1 bin where we currently are
             # Note that every element of bin_strat is a dataframe
             # with a number of entries that corresponds to the 
             # structure of draws_in_bin
        #
        #concatenate the dataframes for every bin and append to the list
        strats.append( pd.concat(bin_strat) )