팬더가있는 하나의 데이터 프레임에서 테스트 및 훈련 샘플을 어떻게 만듭니 까?

나는 데이터 프레임 형태의 상당히 큰 데이터 세트를 가지고 있으며 훈련 및 테스트를 위해 데이터 프레임을 두 개의 임의 샘플 (80 % 및 20 %)로 어떻게 분할 할 수 있는지 궁금합니다.

감사!

나는 단지 numpy를 사용합니다 randn:

In [11]: df = pd.DataFrame(np.random.randn(100, 2))

In [12]: msk = np.random.rand(len(df)) < 0.8

In [13]: train = df[msk]

In [14]: test = df[~msk]

그리고 이것이 효과가 있는지 확인하십시오.

In [15]: len(test)
Out[15]: 21

In [16]: len(train)
Out[16]: 79

scikit learn 'strain_test_split 는 좋은 것입니다.

from sklearn.model_selection import train_test_split

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

팬더 랜덤 샘플도 작동합니다

train=df.sample(frac=0.8,random_state=200) #random state is a seed value
test=df.drop(train.index)

scikit-learn 자신의 training_test_split을 사용하여 색인에서 생성합니다.

from sklearn.model_selection 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

학습 / 테스트 및 검증 샘플을 작성하는 방법에는 여러 가지가 있습니다.

사례 1 : train_test_split옵션이없는 고전적인 방법 :

from sklearn.model_selection import train_test_split
train, test = train_test_split(df, test_size=0.3)

사례 2 : 매우 작은 데이터 세트 (<500 행)의 경우 :이 교차 검증으로 모든 라인에 대한 결과를 얻습니다. 마지막으로, 사용 가능한 트레이닝 세트의 각 라인에 대해 하나의 예측이 있습니다.

from sklearn.model_selection import KFold
kf = KFold(n_splits=10, random_state=0)
y_hat_all = []
for train_index, test_index in kf.split(X, y):
    reg = RandomForestRegressor(n_estimators=50, random_state=0)
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    clf = reg.fit(X_train, y_train)
    y_hat = clf.predict(X_test)
    y_hat_all.append(y_hat)

사례 3a : 분류 목적을위한 불균형 데이터 세트. 사례 1 다음에 동등한 솔루션이 있습니다.

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, test_size=0.3)

사례 3b : 분류 목적을위한 불균형 데이터 세트. 사례 2 다음에 동등한 솔루션이 있습니다.

from sklearn.model_selection import StratifiedKFold
kf = StratifiedKFold(n_splits=10, random_state=0)
y_hat_all = []
for train_index, test_index in kf.split(X, y):
    reg = RandomForestRegressor(n_estimators=50, random_state=0)
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    clf = reg.fit(X_train, y_train)
    y_hat = clf.predict(X_test)
    y_hat_all.append(y_hat)

사례 4 : 하이퍼 파라미터 (60 % 트레인, 20 % 테스트 및 20 % Val)를 튜닝하려면 빅 데이터에 트레인 / 테스트 / 검증 세트를 생성해야합니다.

from sklearn.model_selection import train_test_split
X_train, X_test_val, y_train, y_test_val = train_test_split(X, y, test_size=0.6)
X_test, X_val, y_test, y_val = train_test_split(X_test_val, y_test_val, stratify=y, test_size=0.5)

아래 코드를 사용하여 테스트 및 교육 샘플을 만들 수 있습니다.

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

시험 크기는 시험 및 훈련 데이터 세트에 넣을 데이터의 백분율에 따라 달라질 수 있습니다.

많은 유효한 답변이 있습니다. 무리에 하나 더 추가. sklearn.cross_validation에서 가져 오기 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)]

계층화 된 훈련 및 테스트 세트를 고려할 수도 있습니다. 시작 부서는 또한 무작위로 교육 및 테스트 세트를 생성하지만 원래 클래스 비율이 유지됩니다. 이를 통해 훈련 및 테스트 세트가 원래 데이터 세트의 속성을 더 잘 반영합니다.

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] 및 df [test_inds]는 원본 DataFrame df의 교육 및 테스트 세트를 제공합니다.

데이터 세트의 lables 열과 관련하여 데이터를 분할해야하는 경우 다음을 사용할 수 있습니다.

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

그것을 사용하십시오 :

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

split randomness를 제어하거나 global random seed를 사용하려는 경우 random_state를 전달할 수도 있습니다.

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)

~ (물결 연산자)를 사용하여 df.sample ()을 사용하여 샘플링 된 행을 제외하고 팬더 만 인덱스의 샘플링 및 필터링을 처리하여 두 세트를 얻을 수 있습니다.

train_df = df.sample(frac=0.8, random_state=100)
test_df = df[~df.index.isin(train_df.index)]

이것은 DataFrame을 분할해야 할 때 쓴 것입니다. 위의 Andy의 접근 방식을 사용하는 것을 고려했지만 데이터 세트의 크기를 정확하게 제어 할 수 없다는 점은 마음에 들지 않았습니다 (예 : 때로는 79, 때로는 81 등).

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()

다음과 같이 df에서 범위 행을 선택하십시오.

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

위의 많은 훌륭한 답변이 있으므로 numpy라이브러리 를 사용하여 기차 및 테스트 세트의 정확한 샘플 수를 지정하려는 경우 예제를 하나 더 추가하고 싶습니다 .

# set the random seed for the reproducibility
np.random.seed(17)

# e.g. number of samples for the training set is 1000
n_train = 1000

# shuffle the indexes
shuffled_indexes = np.arange(len(data_df))
np.random.shuffle(shuffled_indexes)

# use 'n_train' samples for training and the rest for testing
train_ids = shuffled_indexes[:n_train]
test_ids = shuffled_indexes[n_train:]

train_data = data_df.iloc[train_ids]
train_labels = labels_df.iloc[train_ids]

test_data = data_df.iloc[test_ids]
test_labels = data_df.iloc[test_ids]

학습, 테스트 및 유효성 검사와 같은 둘 이상의 클래스로 분할하기 위해 다음을 수행 할 수 있습니다.

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]

이로 인해 교육에 약 70 %, 테스트에 15 %, 유효성 검사에 15 %의 데이터가 추가됩니다.

팬더 데이터 프레임을 numpy 배열로 변환 한 다음 numpy 배열을 데이터 프레임으로 다시 변환해야합니다

 import pandas as pd
df=pd.read_csv('/content/drive/My Drive/snippet.csv', sep='\t')
from sklearn.model_selection import train_test_split

train, test = train_test_split(df, test_size=0.2)
train1=pd.DataFrame(train)
test1=pd.DataFrame(test)
train1.to_csv('/content/drive/My Drive/train.csv',sep="\t",header=None, encoding='utf-8', index = False)
test1.to_csv('/content/drive/My Drive/test.csv',sep="\t",header=None, encoding='utf-8', index = False)

원하는 경우 하나의 데이터 프레임과 두 개의 데이터 프레임 (numpy 배열이 아닌)을 원한다면 트릭을 수행해야합니다.

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

df.as_matrix () 함수를 사용하고 Numpy-array를 만들어 전달할 수 있습니다.

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)

내 취향에 조금 더 우아한 것은 임의의 열을 만든 다음 나누는 것입니다.이 방법으로 우리는 필요에 따라 무작위로 나눌 수 있습니다.

def split_df(df, p=[0.8, 0.2]):
import numpy as np
df["rand"]=np.random.choice(len(p), len(df), p=p)
r = [df[df["rand"]==val] for val in df["rand"].unique()]
return r

numpy로 변환 할 필요가 없습니다. 팬더 df를 사용하여 분할을 수행하면 팬더 df가 반환됩니다.

from sklearn.model_selection import train_test_split

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

나중에 열을 추가하려면 데이터 프레임 조각이 아닌 복사본을 가져와야한다고 생각합니다.

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

이건 어때요? df는 내 데이터 프레임입니다

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)

shuffle = np.random.permutation(len(df))
test_size = int(len(df) * 0.2)
test_aux = shuffle[:test_size]
train_aux = shuffle[test_size:]
TRAIN_DF =df.iloc[train_aux]
TEST_DF = df.iloc[test_aux]