如何将数据集划分为类之间的训练和验证集保持率？

如何将数据集划分为类之间的训练和验证集保持率？

您可以

StratifiedKFold

从在线文档中使用sklearn的：

分层K折交叉验证迭代器

提供训练/测试索引以将数据拆分为训练测试集中的数据。

此交叉验证对象是KFold的变体，它返回分层的折痕。折叠是通过保留每个类别的样品百分比来进行的。

>>> from sklearn import cross_validation>>> X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])>>> y = np.array([0, 0, 1, 1])>>> skf = cross_validation.StratifiedKFold(y, n_folds=2)>>> len(skf)2>>> print(skf)  sklearn.cross_validation.StratifiedKFold(labels=[0 0 1 1], n_folds=2,        shuffle=False, random_state=None)>>> for train_index, test_index in skf:...    print("TRAIN:", train_index, "TEST:", test_index)...    X_train, X_test = X[train_index], X[test_index]...    y_train, y_test = y[train_index], y[test_index]TRAIN: [1 3] TEST: [0 2]TRAIN: [0 2] TEST: [1 3]

这将保留您的类别比率，以便拆分保留类别比率，这对于pandas dfs可以正常工作。

如@Ali_m所建议，您可以使用

StratifiedShuffledSplit

接受分流比参数：

sss = StratifiedShuffleSplit(y, 3, test_size=0.7, random_state=0)

会产生70％的分割