如何实现任意数量的分类变量的分层K折叠分裂？

Posted 2021-05-03

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。

我已经从这里描述的sklearn中查看了StratifiedKFold方法：how to split a dataset into training and validation set keeping ratio between classes?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。

答案

你可以将df.cat_var_1+ "_" + df.cat_var_2传递给y的StratifiedShuffleSplit.split()参数：

但这是一个使用DataFrame.groupby的方法：

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)))