Как разбить данные на 3 набора (поезд, валидация и тест)?

У меня есть pandas dataframe, и я хочу разделить его на 3 отдельных набора. Я знаю, что используя train_test_split от sklearn.cross_validation, можно разделить данные на два набора (поезд и тест). Однако я не мог найти решения о разделении данных на три набора. Желательно, чтобы я хотел иметь индексы исходных данных.

Я знаю, что обходным решением было бы использовать train_test_split два раза и как-то настроить индексы. Но существует ли более стандартный/встроенный способ разделения данных на 3 набора вместо 2?

Ответы

Ответ 1

Numpy решение. Мы разделим наш набор данных на следующие части:

60% - поездный набор,
20% - проверочный набор,
20% - тестовый набор

In [305]: train, validate, test = np.split(df.sample(frac=1), [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))] - это indices_or_sections массив для numpy.split().

Вот небольшая демонстрация для использования np.split() - позвольте разбить массив из 20 элементов на следующие части: 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])]

Ответ 2

Примечание:

Была написана функция для обработки заполнения создания рандомизированного набора. Не следует полагаться на расщепление множеств, которое не рандомизирует множества.

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

Демонстрация

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

Ответ 3

Однако один из подходов к разделению набора данных на train, test, cv с 0.6, 0.2, 0.2 состоит в том, train_test_split дважды использовать метод train_test_split.

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)

Ответ 4

Один из подходов - использовать функцию train_test_split дважды.

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test 
= train_test_split(X, y, test_size=0.2, random_state=1)

X_train, X_val, y_train, y_val 
= train_test_split(X_train, y_train, test_size=0.25, random_state=1)

Ответ 5

Очень удобно использовать train_test_split без выполнения переиндексации после разделения на несколько наборов и без написания дополнительного кода. В приведенном выше наилучшем ответе не упоминается, что разделение двух раз с использованием train_test_split без изменения размеров разделов не даст изначально предполагаемый раздел:

x_train, x_remain = train_test_split(x, test_size=(val_size + test_size))

Тогда часть проверочных и тестовых наборов в x_remain изменится и может быть посчитана как

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)

В этом случае все начальные разделы сохраняются.