如何使欠采样具有 25% 的类别 0 输入并且不改变 Python 中的类别 1？

Question

我在 Python 中有不平衡的数据集，例如：95% 的 0 和 5% 的 1。

如何进行欠采样以减少零的数量，使其仅占输入数据集的 25%？

我问你是因为在互联网资源上我只看到反采样代码，这导致我的数据集平衡了 0 的 50% 和 1 的 50%，我不想这样，我只想将零的数量减少到数据集中的 25%

我怎样才能在 Python 中做到这一点？ 你有一些示例代码吗？

Answer 1

要将不同的规则应用于不同的值，您可以使用groupby 。 由于您没有给出示例数据集，我只是使用了一个带有col列的数据框，其中有 19 个零和 1 个 1：

>>> df.shape
(20, 2)
>>> df['col'].value_counts() / len(df)
0      0.95
1      0.05
Name: col, dtype: float64

现在groupby.sample()不允许为每组设置不同的数字或分数，所以我们可以简单地使用groupby.apply() ，它本身可以在数据帧上调用sample() ：

>>> df.groupby('col').apply(lambda g: g.sample(frac=.25 if g.name == 0 else 1))
        col foo
col            
0   6     0   g
    16    0   q
    3     0   d
    14    0   o
    15    0   p
1   19    1   t
>>> df.groupby('col').apply(lambda g: g.sample(frac=.25 if g.name == 0 else 1))
        col foo
col            
0   16    0   q
    5     0   f
    13    0   n
    2     0   c
    9     0   j
1   19    1   t

请注意，我使用的事实是，通过在数据帧上设置.name属性，用于确定组的值在apply内部传递。

您可以在.droplevel('col')添加.droplevel('col')以删除第一个索引级别。