在不平衡样本场景中为每个类提取相同数量的样本

Posted 2023-03-12

【中文标题】在不平衡样本场景中为每个类提取相同数量的样本

【英文标题】：extracting equal number of samples for each class in a unbalanced samples scenario

【发布时间】：2017-03-19 18:52:09

【问题描述】：

我有 2 个班级，A 和 B。每个班级的样本数量不平衡，比如 A 类有 500 个样本，B 类有 1000 个样本。

有没有办法为每个类提取平衡数量的样本，例如使用 scikit learn 或任何 Numpy 函数为 A 类和 B 类提取 300 个样本。

样本是前 5 列，标签/类是最后一列

1 2 3 4 5 1
2 3 4 2 3 1
4 0 5 4 3 1
4 5 9 2 4 2
5 9 5 3 9 2

我想要做的是在我的最终选择中拥有相同数量的两个类：

2 3 4 2 3 1
4 0 5 4 3 1
4 5 9 2 4 2
5 9 5 3 9 2

【问题讨论】：

什么是类？您可以为每个类和所需的数据集发布一个示例数据集（3-5 行）吗？

【参考方案1】：

如果你可以使用 Pandas，你可以使用 sample() 方法与 n 参数的值相同

演示：

In [364]: df1
Out[364]:
          a         b         c         d
0  0.774496  0.852985  0.257568  0.223773
1  0.630460  0.203675  0.305280  0.965628
2  0.408746  0.939827  0.801505  0.343216
3  0.578582  0.541716  0.451810  0.173890
4  0.210301  0.600485  0.184326  0.035092
5  0.583564  0.164262  0.958537  0.943357

In [365]: df2
Out[365]:
          a         b         c         d
0  0.340624  0.755825  0.569149  0.543630
1  0.004056  0.463891  0.556861  0.778607
2  0.171046  0.293104  0.317514  0.831424
3  0.370028  0.566356  0.895919  0.440559
4  0.148569  0.485086  0.299789  0.274720
5  0.137273  0.085598  0.874845  0.917356
6  0.356898  0.781540  0.091851  0.173430
7  0.495949  0.613337  0.512104  0.137251

In [366]: df1.sample(n=5)
Out[366]:
          a         b         c         d
3  0.578582  0.541716  0.451810  0.173890
4  0.210301  0.600485  0.184326  0.035092
1  0.630460  0.203675  0.305280  0.965628
0  0.774496  0.852985  0.257568  0.223773
5  0.583564  0.164262  0.958537  0.943357

In [367]: df2.sample(n=5)
Out[367]:
          a         b         c         d
2  0.171046  0.293104  0.317514  0.831424
5  0.137273  0.085598  0.874845  0.917356
6  0.356898  0.781540  0.091851  0.173430
3  0.370028  0.566356  0.895919  0.440559
0  0.340624  0.755825  0.569149  0.543630