异构 DataFrame 上的 StratifiedKfold

Question

我有一个 pandas DataFrame，其中包含字符串和浮点数列，需要将其拆分为平衡切片才能训练 sklearn 管道。

理想情况下，我会在 DataFrame 上使用 StratifiedKFold 来获取较小的数据块以进行交叉验证。但它抱怨我有不可排序的类型，像这样：

import pandas as pd
from sklearn.cross_validation import StratifiedKFold

dataset = pd.DataFrame(
    [
        {'title': 'Dábale arroz a la zorra el abad', 'size':1.2, 'target': 1},
        {'title': 'Ana lleva al oso la avellana', 'size':1.0, 'target': 1},
        {'title': 'No te enrollé yornetón', 'size':1.4, 'target': 0},
        {'title': 'Acá sólo tito lo saca', 'size':1.4, 'target': 0},
    ])
skfs = StratifiedKFold(dataset, n_folds=2)

>>>  TypeError: unorderable types: str() > float()

有很多方法可以获取折叠索引并对 DataFrame 进行切片，但我认为这不能保证我的类会保持平衡。

拆分 DataFrame 的最佳方法是什么？

Answer 1

StratifiedKFold需要split的个数，.split()方法是利用标签的class分布对样本进行分层。假设你的 label 是 target，你会：

from sklearn.model_selection import StratifiedKFold
skf = StratifiedKFold(n_splits=2)
X=dataset.drop('target', axis=1)
y=dataset.target
for train_index, test_index in skf.split(X, y):
    X_train, X_test = X.iloc[train_index], X.iloc[test_index]
    y_train, y_test = y.iloc[train_index], y.iloc[test_index]

Answer 2

sklearn.cross_validation.StratifiedKFold 自 0.18 版本起已弃用，并将在 0.20 中删除。所以这是另一种方法：

from sklearn.model_selection import StratifiedKFold

skf = StratifiedKFold(n_splits=2)
t = dataset.target
for train_index, test_index in skf.split(np.zeros(len(t)), t):
    train = dataset.loc[train_index]
    test = dataset.loc[test_index]

异构 DataFrame 上的 StratifiedKfold

StratifiedKfold over heterogeneous DataFrame

python

pandas

machine-learning

scikit-learn

cross-validation