讲师中心 微信公众号

工具推荐

视频效率加速
剧云
剧云

中文短剧剧本制作平台

updream

一键生成高质量推广成片

Seko
Seko

AI短剧一键生成成片

Laper
Laper

剧本策划到成片协作

如何使用Python中的Scikit-learn实现分层采样以保持比例?

夏磊酱_3743

夏磊酱_3743

发布时间:2026-06-10 06:06:25

|

722人浏览过

|

来源于php中文网

原创

分层采样必须用StratifiedShuffleSplit而非train_test_split,因其显式按类别分布分层,确保训练/测试集各类别比例一致;train_test_split虽支持stratify=y参数,但仅一次性分割且不可复用。

如何使用python中的scikit-learn实现分层采样以保持比例?

分层采样为什么必须用 StratifiedShuffleSplit 而不是 train_test_split

因为 train_test_split 默认不保证各类别在训练集和测试集中比例一致——尤其当标签分布不均衡或样本量小时,容易出现某类在测试集中完全缺失。而 StratifiedShuffleSplit 显式按 y 的类别分布做分层,是唯一可靠方式(train_test_split 虽有 stratify=y 参数,但它是“一次性分割”,无法复用分割逻辑;StratifiedShuffleSplit 支持迭代、可控、可重复)。

常见错误现象:ValueError: The test_size = ... should be less than the number of samples —— 本质是某类别样本数太少,无法按指定 test_size 分出至少 1 个样本。

  • 使用场景:二分类/多分类数据集划分、交叉验证前的固定比例拆分、需要多次生成不同随机划分时
  • 关键参数:n_splits=1(只生成一次划分)、test_size=0.2(20% 测试)、random_state=42(确保可复现)
  • 性能影响:无额外计算开销,只是索引重排,比手动按类别切片快且安全

StratifiedShuffleSplit 实操:获取训练/测试索引并切分数据

不要直接传 X 和 y 给 .split() 就完事——它只返回索引对,你需要手动用这些索引切分特征和标签。

from sklearn.model_selection import StratifiedShuffleSplit
sss = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
train_idx, test_idx = next(sss.split(X, y))  # 注意:必须用 next() 取第一次分割
<p>X_train, X_test = X[train_idx], X[test_idx]
y_train, y_test = y[train_idx], y[test_idx]
  • 必须用 next():因为 .split() 返回的是生成器,不调用就拿不到索引
  • 确保 y 是一维数组(如 Series 或 numpy.ndarray),不能是 DataFrame 单列(会报 ValueError: Expected 1D array)
  • 如果 X 是 pandas DataFrame,X.iloc[train_idx] 更安全;若为 numpy 数组,X[train_idx] 即可

类别数量少或样本极度不均衡时的应对措施

当某类别只有 1–2 个样本,test_size=0.2 可能导致该类无法在测试集中分配到样本,触发 ValueError。这不是 bug,而是分层约束的必然结果。

Biopython
Biopython

全面的分子生物学工具集。适用于序列操作、文件解析(FASTA/GenBank/PDB)、系统发育分析,以及通过 Bio.Entrez 以编程方式访问 NCBI/

下载

立即学习“Python免费学习笔记(深入)”;

  • 检查最小类别频次:import numpy as np; np.bincount(y),确认每类 ≥ 5 样本(保守起见)
  • 降低 test_size(如设为 0.1)或改用 StratifiedKFold 做 k 折,避免固定比例硬约束
  • 慎用上采样(如 SMOTE)前置处理——它改变原始分布,分层采样意义减弱;如必须用,应在分层后仅对训练集上采样

验证是否真的保持了比例

别信文档,自己算。用 np.unique(y_train, return_counts=True) 和 np.unique(y_test, return_counts=True) 对比各标签计数占比。

from collections import Counter
print("Train:", Counter(y_train))
print("Test: ", Counter(y_test))
# 输出类似:Train: {0: 80, 1: 20}, Test: {0: 20, 1: 5} → 比例都是 4:1,正确
  • 注意浮点误差:若原始比例是 0.73,测试集可能为 0.729 或 0.731,属正常(整数截断导致)
  • 如果发现某类在测试集中为 0,说明该类总数 (例如 <code>test_size=0.2 ⇒ 至少需 5 个样本)

实际项目里最容易被忽略的是:没检查 y 的数据类型和维度,也没验证分割后的分布——直到模型评估阶段发现测试集漏掉一个类别,才回头排查。

热门AI工具

更多
DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

码上飞
码上飞 Hot

一款基于自然语言的AI应用开发平台,可根据用户描述自动生成应用程序,帮助个人和团队快速完成应用原型与开发。

墨刀AI
墨刀AI Hot

一款AI图像与设计工具,主要用于产品经理的专属智能体,适合需要提升相关任务效率的用户。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

讯飞绘文

讯飞绘文是一款由科大讯飞推出的一站式 AIGC 内容运营平台。

PixPix
PixPix Hot

PixPix是一款面向电商视觉生产的AI商品图生成工具。

咔片AIPPT

一款在线AI演示文稿制作工具,可根据主题和内容需求辅助生成PPT结构与页面,提高演示材料制作效率。

超级麦吉

一款通过数字员工协作完成调研、数据分析与文档制作的AI办公平台。

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

1931

2023.07.20

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

5464

2023.07.25

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

1889

2023.07.31

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

33337

2023.08.03

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

3927

2023.08.04

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

3927

2023.08.04

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

1283

2023.08.11

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

636

2023.08.10

Go-Zero API开发使用教程
Go-Zero API开发使用教程

本专题聚焦Go-Zero的API开发,拆解.api描述文件的语法结构、路由与分组定义、参数绑定与校验规则,说明统一响应体、JWT鉴权、跨域与接口文档生成的落地方式,并给出网关聚合与接口测试的实践建议。

140

2026.11.12

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn