Astropy：将 FITS 表拆分为训练和测试集

Posted 2023-03-12

【中文标题】Astropy：将 FITS 表拆分为训练和测试集

【英文标题】：Astropy: split a FITS table into a training and testing set

【发布时间】：2020-06-18 10:39:37

【问题描述】：

我有一个 FITS 表，我正在使用 astropy 进行操作。我想将表随机拆分为训练和测试数据以创建两个新的 FITS 表。

我首先想到使用scikit-learn 函数test_train_split，但后来我不得不将我的数据来回转换为numpy.array。

到目前为止，我已经从 FITS 文件中读取了 astropy.table.Table data 并尝试了以下操作

training_fraction = 0.5
n = len(data)
indexes = random.sample(range(n), k=int(n*training_fraction))
testing_sample = data[indexes]
training_sample = ?

但是，我不知道如何获取索引不在indexes 中的所有行。也许有更好的方法来做到这一点？如何获得我的表的随机分区？

---

我表中的样本碰巧每个都有一个唯一的 ID，它是一个介于 1 和 len(data) 之间的整数。所以我想，我可以做到

indexes = random.sample(range(1, n+1), k=int(n*training_fraction))
testing_sample = data[data['ID'] in indexes]
training_sample = data[data['ID'] not in indexes]

但第一行引发ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

【参考方案1】：

我是如何做到这一点的

training_indexes = sorted(random.sample(range(n), k=int(n*training_fraction)))
testing_indexes = [i for i in range(n) if i not in training_indexes]


testing_sample = data[testing_indexes]
training_sample = data[training_indexes]

但我不知道这是最有效的方式，还是最 Pythonic 的方式。

【参考方案2】：

您提到使用来自 scikit-learn 的现有 train_test_split 路由。如果这是您使用 scikit-learn 的唯一东西，那将是矫枉过正。但是，如果您已经将它用于任务的其他部分，您也可以这样做。 Astropy Tables 一开始就由 Numpy 数组支持，因此您无需“来回转换数据”。

由于表的 'ID' 列索引表中的行，因此将其正式设置为表的 index 会很有用，以便可以使用 ID 值来索引表中的行（独立它们的实际位置索引）。例如：

>>> from astropy.table import Table
>>> import numpy as np
>>> t = Table(
...     'ID': [1, 3, 5, 6, 7, 9],
...     'a': np.random.random(6),
...     'b': np.random.random(6)
... )
>>> t
<Table length=6>
  ID           a                   b         
int64       float64             float64      
----- ------------------- -------------------
    1  0.7285295918917892  0.6180944983953155
    3  0.9273855839237182 0.28085439237508925
    5  0.8677312765220222  0.5996267567496841
    6 0.06182255608446752  0.6604620336092745
    7 0.21450048405835265  0.5351066893214822
    9   0.928930682667869  0.8178640424254757

然后将'ID'设置为表的索引：

>>> t.add_index('ID')

使用train_test_split 对 ID 进行分区：

>>> train_ids, test_ids = train_test_split(t['ID'], test_size=0.2)
>>> train_ids
<Column name='ID' dtype='int64' length=4>
7
9
5
1
>>> test_ids
<Column name='ID' dtype='int64' length=2>
6
3
>>> train_set = t.loc[train_ids]
>>> test_set = t.loc[test_ids]
>>> train_set
<Table length=4>
  ID           a                  b         
int64       float64            float64      
----- ------------------- ------------------
    7 0.21450048405835265 0.5351066893214822
    9   0.928930682667869 0.8178640424254757
    5  0.8677312765220222 0.5996267567496841
    1  0.7285295918917892 0.6180944983953155
>>> test_set
<Table length=2>
  ID           a                   b         
int64       float64             float64      
----- ------------------- -------------------
    6 0.06182255608446752  0.6604620336092745
    3  0.9273855839237182 0.28085439237508925

（注：

>>> isinstance(t['ID'], np.ndarray)
True
>>> type(t['ID']).__mro__
(astropy.table.column.Column,
 astropy.table.column.BaseColumn,
 astropy.table._column_mixins._ColumnGetitemShim,
 numpy.ndarray,
 object)

)

对于它的价值，因为它可能会帮助您在将来更轻松地找到此类问题的答案，这将有助于更抽象地考虑您正在尝试做的事情（似乎您已经 em> 这样做，但你的问题的措辞暗示了其他）：你表中的列只是 Numpy 数组——一旦它是这种形式，它们是从 FITS 文件中读取的无关紧要的。你所做的也与 Astropy 没有直接关系。问题就变成了如何随机划分一个 Numpy 数组。

您可以找到此问题的通用答案，例如in this question。但如果你有它，使用现有的专用实用程序（如 train_test_split）也很好。