来自熊猫的分层样本

Question

我有一个pandas DataFrame，看起来大致如下：

cli_id | X1 | X2 | X3 | ... | Xn |  Y  |
----------------------------------------
123    | 1  | A  | XX | ... | 4  | 0.1 |
456    | 2  | B  | XY | ... | 5  | 0.2 |
789    | 1  | B  | XY | ... | 5  | 0.3 |
101    | 2  | A  | XX | ... | 4  | 0.1 |
...

我有客户端ID，很少有分类属性，Y是事件的概率，其值从0到1乘以0.1。

我需要在每个组（10倍）的大小为200的Y中采取分层样本

在分成火车/测试时，我经常使用它来分层样本：

def stratifiedSplit(X,y,size):
    sss = StratifiedShuffleSplit(y, n_iter=1, test_size=size, random_state=0)

    for train_index, test_index in sss:
        X_train, X_test = X.iloc[train_index], X.iloc[test_index]
        y_train, y_test = y.iloc[train_index], y.iloc[test_index]

    return X_train, X_test, y_train, y_test

但在这种情况下我不知道如何修改它。

Answer 1

如果每个组的样本数相同，或者每个组的比例是恒定的，您可以尝试类似的方法

df.groupby('Y').apply(lambda x: x.sample(n=200))

要么

df.groupby('Y').apply(lambda x: x.sample(frac=.1))

要针对多个变量执行分层抽样，只需对更多变量进行分组。 为此可能需要构造新的分箱变量。

但是，如果组大小太小，比例如groupize 1和propotion .25，则不会返回任何项目。 这是由于pythons舍入int函数int(0.25)=0

Answer 2

我不完全确定你的意思是：

strats = []
for k in range(11):
    y_val = k*0.1
    dummy_df = your_df[your_df['Y'] == y_val]
    stats.append( dummy_df.sample(200) )

这使得虚拟数据帧仅包含您想要的Y值，然后采样200。

好的，所以你需要不同的块来拥有相同的结构。 我想这有点难，我就是这样做的：

首先，我会得到X1的直方图：

hist, edges = np.histogram(your_df['X1'], bins=np.linespace(min_x, max_x, nbins))

我们现在有一个带有nbins箱的直方图。

现在的策略是根据X1的值来绘制一定数量的行。 我们将从具有更多观察值的箱子中抽取更多，并且从更少的箱子中抽取更多，从而保留X的结构。

特别是，每个垃圾箱的相对贡献应该是：

rel = [float(i) / sum(hist) for i in hist]

这将是[0.1, 0.2, 0.1, 0.3, 0.3]

如果我们想要200个样本，我们需要绘制：

draws_in_bin = [int(i*200) for i in rel]

现在我们知道从每个箱子中抽取多少观察：

strats = []
for k in range(11):
        y_val = k*0.1

        #get a dataframe for every value of Y
        dummy_df = your_df[your_df['Y'] == y_val]

        bin_strat = []
        for left_edge, right_edge, n_draws in zip(edges[:-1], edges[1:], draws_in_bin):

             bin_df = dummy_df[ (dummy_df['X1']> left_edge) 
                              & (dummy_df['X1']< right_edge) ]

             bin_strat.append(bin_df.sample(n_draws))
             # this takes the right number of draws out 
             # of the X1 bin where we currently are
             # Note that every element of bin_strat is a dataframe
             # with a number of entries that corresponds to the 
             # structure of draws_in_bin
        #
        #concatenate the dataframes for every bin and append to the list
        strats.append( pd.concat(bin_strat) )