如何确保某个数据点不在分层交叉验证拆分的测试集中？

Question

我有一个如下所示的 DataFrame。

d = {'col1': [1, 2,3,4,5,6,7,8], 'col2': ['a', 'a','b', 'b', 'c', 'c', 'd', 'd']}
df = pd.DataFrame(data=d)
df

  col1  col2
0   1     a
1   2     a
2   3     b
3   4     b
4   5     c
5   6     c
6   7     d
7   8     d

当我使用 k 折交叉验证 时，我想确保 col2 中的值仅存在于训练集中或测试集中。也就是说，在拆分期间，如果 df['col2'][0] = a 和 df['col2'][1] = a，则索引为 0 和 1 的行都应该在训练集中，否则在测试集中。不应该是第0行在训练集中，第1行在测试集中。

有没有简单的方法来做到这一点？

编辑：有没有一种方法可以将 DataFrame 分成两部分，这样每个部分都包含在 [=14= 中具有值 a 的所有数据点] 在第一个 DataFrame 或第二个但不是两者？我尝试使用 groupby 但它 returns 是一个对象，当我将它转换为字典时，我只能通过键访问它，即 a, b, c, d

Answer 1

您可以通过如下执行 GroupShuffleSplit 来确保变量值仅存在于集合中：

from sklearn.model_selection import GroupShuffleSplit

import pandas as pd

d = {'col1': [1, 2,3,4,5,6,7,8],
    'col2': ['a', 'a','b', 'b', 'c', 'c', 'd', 'd'],
    'label': [1,1,1,1,0,0,0,0]}
df = pd.DataFrame(data=d)

X = df[['col1', 'col2']]
y = df['label']
groups= df['col2']
gss = GroupShuffleSplit(n_splits=2, train_size=.8, random_state=42)
for train_idx, test_idx in gss.split(X, y, groups):
    X_train, X_test = X.iloc[train_idx], X.iloc[test_idx]
    y_train, y_test = y.iloc[train_idx], y.iloc[test_idx]

Answer 2

在@Antoine Dubuis 的帮助下，我找到了我想做的事情的 sklearn 实现 - 称为 StratifiedGroupKFold。

截至 2021 年 7 月，它仍在开发中，但可以从 development/nightly 版本开始使用。我建议创建一个单独的虚拟环境来使用它。

我已经用过了，目前看来还可以，所以希望它能尽快发布稳定版本。

如何确保某个数据点不在分层交叉验证拆分的测试集中？

How to ensure a certain datapoint is not in the test set in stratified cross validation split?

python

pandas

scikit-learn

cross-validation