Jak stworzyć próbki testowe i treningowe z jednej ramki danych za pomocą pandy?

Scikit learn ' s train_test_split jest dobry.

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split

train, test = train_test_split(df, test_size=0.2)

Pandy próbka losowa będzie również działać

train=df.sample(frac=0.8,random_state=200)
test=df.drop(train.index)

Użyłbym scikit-learn ' s own training_test_split, i wygenerowałbym go z indeksu

from sklearn.cross_validation import train_test_split


y = df.pop('output')
X = df

X_train,X_test,y_train,y_test = train_test_split(X.index,y,test_size=0.2)
X.iloc[X_train] # return dataframe train

Możesz użyć poniższego kodu do tworzenia próbek testowych i treningowych:

from sklearn.model_selection import train_test_split
trainingSet, testSet = train_test_split(df, test_size=0.2)

Rozmiar testu może się różnić w zależności od procentu danych, które chcesz umieścić w zestawie danych testowych i treningowych.

Istnieje wiele ważnych odpowiedzi. Dodaję jeszcze jednego do grona. od sklearn.cross_validation import train_test_split

#gets a random 80% of the entire set
X_train = X.sample(frac=0.8, random_state=1)
#gets the left out portion of the dataset
X_test = X.loc[~df_model.index.isin(X_train.index)]

Można również rozważyć podział warstwowy na zestaw treningowy i testowy. Sekcja Startified generuje również zestawy treningowe i testowe losowo, ale w taki sposób, aby zachowane zostały oryginalne proporcje klasowe. Dzięki temu zestawy treningowe i testowe lepiej odzwierciedlają właściwości oryginalnego zestawu danych.

import numpy as np  

def get_train_test_inds(y,train_proportion=0.7):
    '''Generates indices, making random stratified split into training set and testing sets
    with proportions train_proportion and (1-train_proportion) of initial sample.
    y is any iterable indicating classes of each observation in the sample.
    Initial proportions of classes inside training and 
    testing sets are preserved (stratified sampling).
    '''

    y=np.array(y)
    train_inds = np.zeros(len(y),dtype=bool)
    test_inds = np.zeros(len(y),dtype=bool)
    values = np.unique(y)
    for value in values:
        value_inds = np.nonzero(y==value)[0]
        np.random.shuffle(value_inds)
        n = int(train_proportion*len(value_inds))

        train_inds[value_inds[:n]]=True
        test_inds[value_inds[n:]]=True

    return train_inds,test_inds

Df [train_inds] i DF [test_inds] dają Ci zestawy treningowe i testowe oryginalnej ramki danych df.

To jest to, co napisałem, kiedy musiałem podzielić ramkę danych. Rozważałem użycie podejścia Andy ' ego powyżej, ale nie podobało mi się, że nie mogłem kontrolować rozmiaru zbiorów danych dokładnie (tj.).

def make_sets(data_df, test_portion):
    import random as rnd

    tot_ix = range(len(data_df))
    test_ix = sort(rnd.sample(tot_ix, int(test_portion * len(data_df))))
    train_ix = list(set(tot_ix) ^ set(test_ix))

    test_df = data_df.ix[test_ix]
    train_df = data_df.ix[train_ix]

    return train_df, test_df


train_df, test_df = make_sets(data_df, 0.2)
test_df.head()

Po prostu wybierz wiersz zakresu z df w ten sposób

row_count = df.shape[0]
split_point = int(row_count*1/5)
test_data, train_data = df[:split_point], df[split_point:]

Jeśli chcesz mieć jedną ramkę danych i dwie ramki danych (nie tablice numpy), powinno to załatwić sprawę:

def split_data(df, train_perc = 0.8):

   df['train'] = np.random.rand(len(df)) < train_perc

   train = df[df.train == 1]

   test = df[df.train == 0]

   split_data ={'train': train, 'test': test}

   return split_data

Myślę, że musisz również uzyskać kopię, a nie kawałek ramki danych, jeśli chcesz dodać kolumny później.

msk = np.random.rand(len(df)) < 0.8
train, test = df[msk].copy(deep = True), df[~msk].copy(deep = True)

Możesz użyć funkcji DF.as_matrix() i utworzyć tablicę Numpy i przekazać ją.

Y = df.pop()
X = df.as_matrix()
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size = 0.2)
model.fit(x_train, y_train)
model.test(x_test)

Co ty na to? df is my dataframe

total_size=len(df)

train_size=math.floor(0.66*total_size) (2/3 part of my dataset)

#training dataset
train=df.head(train_size)
#test dataset
test=df.tail(len(df) -train_size)

Jeśli chcesz podzielić dane w odniesieniu do kolumny lables w zestawie danych, możesz użyć tego:

def split_to_train_test(df, label_column, train_frac=0.8):
    train_df, test_df = pd.DataFrame(), pd.DataFrame()
    labels = df[label_column].unique()
    for lbl in labels:
        lbl_df = df[df[label_column] == lbl]
        lbl_train_df = lbl_df.sample(frac=train_frac)
        lbl_test_df = lbl_df.drop(lbl_train_df.index)
        print '\n%s:\n---------\ntotal:%d\ntrain_df:%d\ntest_df:%d' % (lbl, len(lbl_df), len(lbl_train_df), len(lbl_test_df))
        train_df = train_df.append(lbl_train_df)
        test_df = test_df.append(lbl_test_df)

    return train_df, test_df

I użyj go:

train, test = split_to_train_test(data, 'class', 0.7)

Możesz również przekazać random_state, jeśli chcesz kontrolować losowość podzieloną lub użyć jakiegoś globalnego losowego ziarna.

Aby podzielić na więcej niż dwie klasy, takie jak pociąg, test i Walidacja, można zrobić:

probs = np.random.rand(len(df))
training_mask = probs < 0.7
test_mask = (probs>=0.7) & (probs < 0.85)
validatoin_mask = probs >= 0.85


df_training = df[training_mask]
df_test = df[test_mask]
df_validation = df[validatoin_mask]

W ten sposób 70% danych trafi do treningu, 15% do testu i 15% do walidacji.

import pandas as pd

from sklearn.model_selection import train_test_split

datafile_name = 'path_to_data_file'

data = pd.read_csv(datafile_name)

target_attribute = data['column_name']

X_train, X_test, y_train, y_test = train_test_split(data, target_attribute, test_size=0.8)