本文介绍一种高效、安全的分组下采样方法：按month分组后，在每个组内对target=0和target=1的样本分别随机抽样，使二者数量相等（取每组中较小类别的原始频数），从而实现月度层面的类别平衡。
本文介绍一种高效、安全的分组下采样方法：按month分组后，在每个组内对target=0和target=1的样本分别随机抽样，使二者数量相等（取每组中较小类别的原始频数），从而实现月度层面的类别平衡。
在构建时间序列分类模型（如逾期预测、用户流失预警）时，常需对不平衡数据进行下采样以缓解类别偏差，同时保留时间维度结构。本文解决的核心问题是：在保证每月（MONTH）独立性前提下，使每个自然月内 TARGET=0 与 TARGET=1 的样本数严格相等，且不破坏原始索引与其余特征列（如 other_column1、other_column2）的完整性。
关键挑战在于避免 SettingWithCopyWarning —— 原始代码中直接对 df[df['MONTH']==m] 切片调用 .drop()，本质是对视图（view）操作，而 Pandas 无法安全推断是否应修改原 DataFrame，故抛出警告且实际未生效。正确做法是避免链式赋值与就地修改切片，转而采用分组 + 向量化采样策略。
以下是推荐的三步稳健实现：
✅ 步骤 1：计算每组最小类别样本量
对每个 MONTH，统计 TARGET=0 和 TARGET=1 的数量，并取二者最小值作为该月每类应保留的样本数：
# 构建交叉表，按 MONTH 行聚合，取每行最小值（即 min(#0, #1)） min_counts = pd.crosstab(df['MONTH'], df['TARGET']).min(axis=1).reset_index(name='n_sample')
对示例数据，输出为：
MONTH n_sample 0 202207 1 1 202208 1 2 202209 2
✅ 步骤 2：关联最小样本量至原始数据
通过 merge 将 n_sample 映射到每行记录，确保后续分组时可访问该月配额：
df_with_quota = pd.merge(df, min_counts, on='MONTH', how='left')
✅ 步骤 3：按 (MONTH, TARGET) 分组并精确采样
使用 groupby(['MONTH', 'TARGET']) 确保每类独立抽样，apply 中调用 sample(n=x['n_sample'].iloc[0]) 实现“每组抽 n_sample 行”：
balanced_df = (df_with_quota
.groupby(['MONTH', 'TARGET'])
.apply(lambda x: x.sample(n=x['n_sample'].iloc[0], random_state=42))
.reset_index(drop=True))? 注意：random_state 参数保证结果可复现；若无需固定随机性，可省略。
✅ 验证结果
运行后检查交叉表：
pd.crosstab(balanced_df['MONTH'], balanced_df['TARGET'])
输出将严格满足目标结构：
TARGET 0 1 MONTH 202207 1 1 202208 1 1 202209 2 2
所有原始列（如 other_column1, other_column2）均完整保留，索引自动重置为连续整数（如需保留原始索引，可在 reset_index(drop=True) 中改为 reset_index() 并删除新索引列）。
⚠️ 注意事项
- 性能优化：对超大数据集（千万级行），可改用 sample(frac=...) 或 numpy.random.Generator.choice 加速；
- 重复索引处理：本方案天然兼容重复索引，因 merge 和 groupby 均基于值而非索引匹配；
- 边界情况：若某月 TARGET 全为 0 或全为 1，则 crosstab 对应行为 0，min() 返回 0 → 该月无样本被保留，建议前置校验 if (grp.sum(axis=1) == 0).any(): ...；
- 扩展性：该模式可轻松推广至多分类（TARGET ∈ {0,1,2}）场景，只需将 min(1) 替换为 min(axis=1) 并调整分组逻辑。
此方法兼具可读性、健壮性与工程实用性，是时间分层类别平衡下采样的标准实践。
