在样本不平衡的情况下提取每个类别相同数量的样本

Question

我有两个班级，A和B。每个班级的样本数量不均衡，比如A班有500个样本，B班有1000个样本。

是否有办法使用scikit learn或者任何Numpy函数提取出每个班级平衡的样本数量，比如A班和B班各300个样本。

样本数据在前5列，类别标签在最后一列。

1 2 3 4 5 1
2 3 4 2 3 1
4 0 5 4 3 1
4 5 9 2 4 2
5 9 5 3 9 2

我希望最终选择的两个类别具有相等数量的样本：

2 3 4 2 3 1
4 0 5 4 3 1
4 5 9 2 4 2
5 9 5 3 9 2

- lordlabakdas

---

什么是类？您能为每个类和所需数据集发布一个样本数据集（3-5行）吗？ - MaxU - stand with Ukraine

Answer 1

你可以使用 sample() 方法，如果你可以使用Pandas，则可以使用相同的值作为 n 参数。

示例：

In [364]: df1
Out[364]:
          a         b         c         d
0  0.774496  0.852985  0.257568  0.223773
1  0.630460  0.203675  0.305280  0.965628
2  0.408746  0.939827  0.801505  0.343216
3  0.578582  0.541716  0.451810  0.173890
4  0.210301  0.600485  0.184326  0.035092
5  0.583564  0.164262  0.958537  0.943357

In [365]: df2
Out[365]:
          a         b         c         d
0  0.340624  0.755825  0.569149  0.543630
1  0.004056  0.463891  0.556861  0.778607
2  0.171046  0.293104  0.317514  0.831424
3  0.370028  0.566356  0.895919  0.440559
4  0.148569  0.485086  0.299789  0.274720
5  0.137273  0.085598  0.874845  0.917356
6  0.356898  0.781540  0.091851  0.173430
7  0.495949  0.613337  0.512104  0.137251

In [366]: df1.sample(n=5)
Out[366]:
          a         b         c         d
3  0.578582  0.541716  0.451810  0.173890
4  0.210301  0.600485  0.184326  0.035092
1  0.630460  0.203675  0.305280  0.965628
0  0.774496  0.852985  0.257568  0.223773
5  0.583564  0.164262  0.958537  0.943357

In [367]: df2.sample(n=5)
Out[367]:
          a         b         c         d
2  0.171046  0.293104  0.317514  0.831424
5  0.137273  0.085598  0.874845  0.917356
6  0.356898  0.781540  0.091851  0.173430
3  0.370028  0.566356  0.895919  0.440559
0  0.340624  0.755825  0.569149  0.543630

- MaxU - stand with Ukraine