如何实现任意数量的分类变量的分层K折叠分裂？

Question

我有一个表格的数据框,df:

    cat_var_1    cat_var_2     num_var_1
0    Orange       Monkey         34
1    Banana        Cat           56
2    Orange        Dog           22
3    Banana       Monkey          6
..

假设数据集中cat_var_1的可能值具有比率 - ['Orange':0.6,'Banana':0.4]并且cat_var_2的可能值具有比率['Monkey':0.2,'Cat':0.7,'Dog ':0.1].

如何将数据拆分为训练集,测试集和验证集(60:20:20分割),以保持分类变量的比例？实际上,这些变量可以是任意数量,而不仅仅是两个.而且,显然,在实践中可能永远不会达到确切的比例,但我们希望它尽可能接近.

我已经研究了这里描述的sklearn中的StratifiedKFold方法:如何将数据集拆分为类之间的训练和验证集保持比率？但这仅限于仅根据一个分类变量进行评估.

此外,如果您能提供所实现解决方案的复杂性,我将不胜感激.

Answer 1

你可以传递df.cat_var_1+ "_" + df.cat_var_2给说法y的StratifiedShuffleSplit.split():

但这里有一个使用方法DataFrame.groupby:

import pandas as pd
import numpy as np

nrows = 10000
p1 = {'Orange': 0.6, 'Banana': 0.4}
p2 = {'Monkey': 0.2, 'Cat': 0.7, 'Dog': 0.1}

c1 = [key for key, val in p1.items() for i in range(int(nrows * val))]
c2 = [key for key, val in p2.items() for i in range(int(nrows * val))]
random.shuffle(c1)
random.shuffle(c2)

df = pd.DataFrame({"c1":c1, "c2":c2, "val":np.random.randint(0, 100, nrows)})

index = []
for key, idx in df.groupby(["c1", "c2"]).groups.items():
    arr = idx.values.copy()
    np.random.shuffle(arr)
    p1 = int(0.6 * len(arr))
    p2 = int(0.8 * len(arr))
    index.append(np.split(arr, [p1, p2]))

idx_train, idx_test, idx_validate = list(map(np.concatenate, zip(*index)))