Jak podzielić dane na 3 zestawy (pociąg, Walidacja i test)?
Mam ramkę danych pandy i chcę podzielić ją na 3 oddzielne zestawy. Wiem, że używając train_test_split z sklearn.cross_validation
, można podzielić dane na dwa zestawy (train i test). Nie mogłem jednak znaleźć żadnego rozwiązania w kwestii podziału danych na trzy zestawy. Chciałbym mieć indeksy oryginalnych danych.
Wiem, że obejściem byłoby użycie train_test_split
dwa razy i jakoś dopasowanie wskaźników. Ale czy istnieje bardziej standardowy / wbudowany sposób na podzielić dane na 3 zestawy zamiast 2?
8 answers
Rozwiązanie Numpy. Najpierw przetasujemy cały zestaw danych (df.sample(frac=1, random_state=42)
), a następnie podzielimy nasz zestaw danych na następujące części:
- 60% - zestaw pociągowy,
- 20% - zestaw walidacji,
- 20% - Zestaw testowy
In [305]: train, validate, test = \
np.split(df.sample(frac=1, random_state=42),
[int(.6*len(df)), int(.8*len(df))])
In [306]: train
Out[306]:
A B C D E
0 0.046919 0.792216 0.206294 0.440346 0.038960
2 0.301010 0.625697 0.604724 0.936968 0.870064
1 0.642237 0.690403 0.813658 0.525379 0.396053
9 0.488484 0.389640 0.599637 0.122919 0.106505
8 0.842717 0.793315 0.554084 0.100361 0.367465
7 0.185214 0.603661 0.217677 0.281780 0.938540
In [307]: validate
Out[307]:
A B C D E
5 0.806176 0.008896 0.362878 0.058903 0.026328
6 0.145777 0.485765 0.589272 0.806329 0.703479
In [308]: test
Out[308]:
A B C D E
4 0.521640 0.332210 0.370177 0.859169 0.401087
3 0.333348 0.964011 0.083498 0.670386 0.169619
[int(.6*len(df)), int(.8*len(df))]
- jest tablicą indices_or_sections
dla numpy.split () .
Oto małe demo użycia np.split()
- Podzielmy 20-elementową tablicę na następujące części: 80%, 10%, 10%:
In [45]: a = np.arange(1, 21)
In [46]: a
Out[46]: array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20])
In [47]: np.split(a, [int(.8 * len(a)), int(.9 * len(a))])
Out[47]:
[array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16]),
array([17, 18]),
array([19, 20])]
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2020-10-19 09:19:09
Uwaga:
Funkcja została napisana, aby obsługiwać tworzenie losowych zestawów. Nie należy polegać na rozdzielaniu zestawów, które nie powoduje losowości zestawów.
import numpy as np
import pandas as pd
def train_validate_test_split(df, train_percent=.6, validate_percent=.2, seed=None):
np.random.seed(seed)
perm = np.random.permutation(df.index)
m = len(df.index)
train_end = int(train_percent * m)
validate_end = int(validate_percent * m) + train_end
train = df.iloc[perm[:train_end]]
validate = df.iloc[perm[train_end:validate_end]]
test = df.iloc[perm[validate_end:]]
return train, validate, test
Demonstracja
np.random.seed([3,1415])
df = pd.DataFrame(np.random.rand(10, 5), columns=list('ABCDE'))
df
train, validate, test = train_validate_test_split(df)
train
validate
test
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2019-10-17 23:53:31
Jednak jedno podejście do podziału zbioru danych na train
, test
, cv
z 0.6
, 0.2
, 0.2
byłoby użycie metody train_test_split
dwa razy.
from sklearn.model_selection import train_test_split
x, x_test, y, y_test = train_test_split(xtrain,labels,test_size=0.2,train_size=0.8)
x_train, x_cv, y_train, y_cv = train_test_split(x,y,test_size = 0.25,train_size =0.75)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2019-05-12 00:10:13
Oto funkcja Pythona, która dzieli ramkę danych Pandas na train, validation i test dataframes ze stratyfikowanym próbkowaniem. Wykonuje ten podział przez dwukrotne wywołanie funkcji scikit-learn train_test_split()
.
import pandas as pd
from sklearn.model_selection import train_test_split
def split_stratified_into_train_val_test(df_input, stratify_colname='y',
frac_train=0.6, frac_val=0.15, frac_test=0.25,
random_state=None):
'''
Splits a Pandas dataframe into three subsets (train, val, and test)
following fractional ratios provided by the user, where each subset is
stratified by the values in a specific column (that is, each subset has
the same relative frequency of the values in the column). It performs this
splitting by running train_test_split() twice.
Parameters
----------
df_input : Pandas dataframe
Input dataframe to be split.
stratify_colname : str
The name of the column that will be used for stratification. Usually
this column would be for the label.
frac_train : float
frac_val : float
frac_test : float
The ratios with which the dataframe will be split into train, val, and
test data. The values should be expressed as float fractions and should
sum to 1.0.
random_state : int, None, or RandomStateInstance
Value to be passed to train_test_split().
Returns
-------
df_train, df_val, df_test :
Dataframes containing the three splits.
'''
if frac_train + frac_val + frac_test != 1.0:
raise ValueError('fractions %f, %f, %f do not add up to 1.0' % \
(frac_train, frac_val, frac_test))
if stratify_colname not in df_input.columns:
raise ValueError('%s is not a column in the dataframe' % (stratify_colname))
X = df_input # Contains all columns.
y = df_input[[stratify_colname]] # Dataframe of just the column on which to stratify.
# Split original dataframe into train and temp dataframes.
df_train, df_temp, y_train, y_temp = train_test_split(X,
y,
stratify=y,
test_size=(1.0 - frac_train),
random_state=random_state)
# Split the temp dataframe into val and test dataframes.
relative_frac_test = frac_test / (frac_val + frac_test)
df_val, df_test, y_val, y_test = train_test_split(df_temp,
y_temp,
stratify=y_temp,
test_size=relative_frac_test,
random_state=random_state)
assert len(df_input) == len(df_train) + len(df_val) + len(df_test)
return df_train, df_val, df_test
Poniżej znajduje się kompletny działający przykład.
Rozważ zbiór danych, który ma etykietę, na której chcesz wykonać stratyfikację. Ta etykieta ma swoją własną dystrybucję w oryginalnym zbiorze danych, powiedzmy 75% foo
, 15% bar
i 10% baz
. Teraz Podzielmy zbiór danych na trenuj, sprawdzaj i testuj na podzbiorach przy użyciu stosunku 60/20/20, gdzie każdy podział zachowuje ten sam rozkład etykiet. Zobacz ilustrację poniżej:
Oto przykładowy zbiór danych:
df = pd.DataFrame( { 'A': list(range(0, 100)),
'B': list(range(100, 0, -1)),
'label': ['foo'] * 75 + ['bar'] * 15 + ['baz'] * 10 } )
df.head()
# A B label
# 0 0 100 foo
# 1 1 99 foo
# 2 2 98 foo
# 3 3 97 foo
# 4 4 96 foo
df.shape
# (100, 3)
df.label.value_counts()
# foo 75
# bar 15
# baz 10
# Name: label, dtype: int64
Teraz wywołajmy funkcję split_stratified_into_train_val_test()
z góry, aby uzyskać trenowanie, walidację i testowanie RAM danych według stosunku 60/20/20.
df_train, df_val, df_test = \
split_stratified_into_train_val_test(df, stratify_colname='label', frac_train=0.60, frac_val=0.20, frac_test=0.20)
Trzy ramki danych df_train
, df_val
, i df_test
zawierają wszystkie oryginalne wiersze, ale ich rozmiary będą zgodne z powyżej proporcji.
df_train.shape
#(60, 3)
df_val.shape
#(20, 3)
df_test.shape
#(20, 3)
Ponadto każdy z trzech rozdziałów będzie miał taki sam rozkład etykiety, a mianowicie 75% foo
, 15% bar
i 10% baz
.
df_train.label.value_counts()
# foo 45
# bar 9
# baz 6
# Name: label, dtype: int64
df_val.label.value_counts()
# foo 15
# bar 3
# baz 2
# Name: label, dtype: int64
df_test.label.value_counts()
# foo 15
# bar 3
# baz 2
# Name: label, dtype: int64
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2020-05-18 18:08:37
Jest bardzo wygodny w użyciu train_test_split
bez wykonywania reindexingu po podzieleniu na kilka zestawów i bez pisania dodatkowego kodu. Najlepsza odpowiedź powyżej nie wspomina, że rozdzielając dwa razy używając train_test_split
nie zmieniając wielkości partycji nie da się początkowo zamierzonej partycji:
x_train, x_remain = train_test_split(x, test_size=(val_size + test_size))
Następnie część zestawów walidacji i testów w zmianie x_remain i może być liczona jako
new_test_size = np.around(test_size / (val_size + test_size), 2)
# To preserve (new_test_size + new_val_size) = 1.0
new_val_size = 1.0 - new_test_size
x_val, x_test = train_test_split(x_remain, test_size=new_test_size)
Przy tej okazji wszystkie początkowe partycje są zapisywane.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-11-16 20:06:21
W przypadku uczenia nadzorowanego, możesz podzielić zarówno X jak i y (gdzie X jest Twoim wejściem, a y wyjściem prawdy). Musisz tylko zwrócić uwagę na shuffle X i y w ten sam sposób przed podzieleniem.
Tutaj, albo X i y są w tej samej ramce danych, więc tasujemy je, rozdzielamy i stosujemy podział dla każdego (tak jak w wybranej odpowiedzi), albo X i y są w dwóch różnych ramkach danych, więc tasujemy X, zmieniamy kolejność y w taki sam sposób jak tasowane X i stosujemy podział na każdy.
# 1st case: df contains X and y (where y is the "target" column of df)
df_shuffled = df.sample(frac=1)
X_shuffled = df_shuffled.drop("target", axis = 1)
y_shuffled = df_shuffled["target"]
# 2nd case: X and y are two separated dataframes
X_shuffled = X.sample(frac=1)
y_shuffled = y[X_shuffled.index]
# We do the split as in the chosen answer
X_train, X_validation, X_test = np.split(X_shuffled, [int(0.6*len(X)),int(0.8*len(X))])
y_train, y_validation, y_test = np.split(y_shuffled, [int(0.6*len(X)),int(0.8*len(X))])
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2020-09-04 10:05:40
Biorąc pod uwagę, że df
zidentyfikuj oryginalną ramkę danych:
1-Najpierw dzielisz dane między pociąg i Test (10%):
my_test_size = 0.10
X_train_, X_test, y_train_, y_test = train_test_split(
df.index.values,
df.label.values,
test_size=my_test_size,
random_state=42,
stratify=df.label.values,
)
2 - następnie dzielisz zestaw pociągu między pociąg i walidację (20%):
my_val_size = 0.20
X_train, X_val, y_train, y_val = train_test_split(
df.loc[X_train_].index.values,
df.loc[X_train_].label.values,
test_size=my_val_size,
random_state=42,
stratify=df.loc[X_train_].label.values,
)
3-Następnie wycinasz oryginalną ramkę danych zgodnie z indeksami wygenerowanymi w powyższych krokach:
# data_type is not necessary.
df['data_type'] = ['not_set']*df.shape[0]
df.loc[X_train, 'data_type'] = 'train'
df.loc[X_val, 'data_type'] = 'val'
df.loc[X_test, 'data_type'] = 'test'
Wynik będzie taki:
Uwaga: rozwiązanie to wykorzystuje obejście wymienione w pytaniu.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2020-11-30 22:20:23
def train_val_test_split(X, y, train_size, val_size, test_size):
X_train_val, X_test, y_train_val, y_test = train_test_split(X, y, test_size = test_size)
relative_train_size = train_size / (val_size + train_size)
X_train, X_val, y_train, y_val = train_test_split(X_train_val, y_train_val,
train_size = relative_train_size, test_size = 1-relative_train_size)
return X_train, X_val, X_test, y_train, y_val, y_test
Tutaj dzielimy DANE 2 razy z train_test_split
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2020-11-21 17:17:59