python 1:1 每组分层抽样

Question

如何在 python 中执行 1:1 分层抽样？

假设 Pandas 数据框 df 严重不平衡。它包含一个二元组和多列分类子组。

df = pd.DataFrame({'id':[1,2,3,4,5], 'group':[0,1,0,1,0], 'sub_category_1':[1,2,2,1,1], 'sub_category_2':[1,2,2,1,1], 'value':[1,2,3,1,2]})
display(df)
display(df[df.group == 1])
display(df[df.group == 0])
df.group.value_counts()

对于主要 group==1 的每个成员，我需要找到 group==0 与

的单个匹配项

来自 scikit-learn 的 StratifiedShuffleSplit 只会 return 数据的随机部分，而不是 1:1 匹配。

Answer 1

如果我理解正确的话你可以使用 np.random.permutation:

import numpy as np
import pandas as pd

np.random.seed(42)

df = pd.DataFrame({'id': [1, 2, 3, 4, 5], 'group': [0, 1, 0, 1, 0], 'sub_category_1': [1, 2, 2, 1, 1],
                   'sub_category_2': [1, 2, 2, 1, 1], 'value': [1, 2, 3, 1, 2]})

# create new column with an identifier for a combination of categories
columns = ['sub_category_1', 'sub_category_2']
labels = df.loc[:, columns].apply(lambda x: ''.join(map(str, x.values)), axis=1)
values, keys = pd.factorize(labels)
df['label'] = labels.map(dict(zip(keys, values)))

# build distribution of sub-categories combinations
distribution = df[df.group == 1].label.value_counts().to_dict()

# select from group 0 only those rows that are in the same sub-categories combinations
mask = (df.group == 0) & (df.label.isin(distribution))

# do random sampling
selected = np.ravel([np.random.permutation(group.index)[:distribution[name]] for name, group in df.loc[mask].groupby(['label'])])

# display result
result = df.drop('label', axis=1).iloc[selected]
print(result)

输出

   group  id  sub_category_1  sub_category_2  value
4      0   5               1               1      2
2      0   3               2               2      3

请注意，此解决方案假设 group 1 的每个可能 sub_category 组合的大小小于 group 0 中相应子组的大小。更强大的版本涉及使用 np.random.choice 替换：

selected = np.ravel([np.random.choice(group.index, distribution[name], replace=True) for name, group in df.loc[mask].groupby(['label'])])

带有选择的版本与带有排列的版本没有相同的假设，尽管它要求每个子类别组合至少有一个元素。

python 1:1 每组分层抽样

python 1:1 stratified sampling per each group

python

multisampling

subsampling

pandas