Glass Identification Database是不平衡的数据集,我想进行一些重采样。
有5种玻璃的214行数据。每种类型具有不同的行数。在下面,我想执行随机欠采样,将所有类型的采样数减到最小(即每个类型仅包含9行。)
import pandas
dataset = pandas.read_csv("C:\\temp\\glass.csv"]), sep = ",")
dataset['Type'] = pandas.Categorical(dataset['Type']).codes
# Class count
count_class_0, count_class_1, count_class_2, count_class_3, count_class_4, count_class_5 = dataset.Type.value_counts()
# Divide by class
df_class_0 = dataset[dataset['Type'] == 0]
df_class_1 = dataset[dataset['Type'] == 1]
df_class_2 = dataset[dataset['Type'] == 2]
df_class_3 = dataset[dataset['Type'] == 3]
df_class_4 = dataset[dataset['Type'] == 4]
df_class_5 = dataset[dataset['Type'] == 5]
class_count = dataset.Type.value_counts()
print('Class 0:', class_count[0]) # 70
print('Class 1:', class_count[1]) # 76
print('Class 2:', class_count[2]) # 13
print('Class 3:', class_count[3]) # 29
print('Class 4:', class_count[4]) # 9
print('Class 5:', class_count[5]) # 17
# Random under-sampling
df_class_0_under = df_class_0.sample(count_class_4)
df_test_under = pandas.concat([df_class_0_under, df_class_4], axis=0)
print('Random under-sampling:')
print(df_test_under.Type.value_counts())
它显示未正确完成:
Random under-sampling:
0 13
4 9
完成它的正确方法是什么? (将所有类型带到最小数量,即每种类型仅具有9行。)
谢谢。
[第一个想法是使用GroupBy.head
,并且只减少GroupBy.head
列的数量:
Type
对于采样使用lambda函数:
dataset1 = dataset.groupby('Type').head(dataset.Type.value_counts().min())
首先,我计算dataset1 = dataset.groupby('Type').apply(lambda x: x.sample(dataset.Type.value_counts().min()))
,即9:
min_count_type
然后,我得到所有不同类型的玻璃的列表:
min_count_type = dataset.Type.value_counts().min() -> 9
并且我根据类型过滤数据集,并仅对其采样9行。将此子数据框存储在列表中,然后连接所有子数据框:
glass_types = list(dataset.Type.unique())
欠采样并非总是一个好选择,更好的选择是过采样,参考:[subdatasets = list()
for glass_type in glass_types :
dataset_glass_type = dataset[dataset['Type']==glass_type]
dataset_glass_type = dataset_glass_type.sample(min_count_type)
subdatasets.append(dataset_glass_type)
dataset_undersampled = pd.concat(subdatasets) -> What you want !