StratifiedShuffleSplit比train_test_split更适合分类不平衡数据，因其按原始比例在每类内独立抽样，确保每次划分的训练/测试集均包含所有类别且比例一致；而后者仅支持单次切分，且stratify对多列分层、连续变量分箱、小样本类（如仅1个样本）等场景不适用或易报错。
分层抽样为什么不能只用 train_test_split 的 stratify 参数？
因为 stratify 只支持单列分类标签，而真实场景中常需按多个离散变量组合分层（比如“城市+年龄段+性别”），或对连续变量先分箱再分层。直接传入 stratify=df['label'] 会报错或静默失效。
- 若目标列含
NaN，train_test_split会抛出ValueError: Found array with 0 sample(s) - 若想按多列联合分层，必须手动构造分层键，例如
df['strata'] = df['city'].astype(str) + '_' + df['age_group'].astype(str) - 连续变量如收入，需先用
pd.cut或KBinsDiscretizer转为类别，否则stratify拒绝接收浮点数组
如何用 sklearn.model_selection.StratifiedShuffleSplit 实现可控比例抽样？
它比 train_test_split 更适合需要多次尝试、或指定每次分割随机种子的场景，且能避免因样本量小导致某类在测试集中缺失的问题。
- 必须确保分层键（
y参数）中每类样本数 ≥2，否则StratifiedShuffleSplit会跳过该类或报错Minimum number of labels for each class must be at least 2 - 设置
n_splits=1即可当作单次分割用，test_size=0.2表示测试集占 20% - 示例：
from sklearn.model_selection import StratifiedShuffleSplit<br>sss = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=42)<br>train_idx, test_idx = next(sss.split(X, y=strata_key))<br>train_df, test_df = df.iloc[train_idx], df.iloc[test_idx]
遇到类别极度不均衡时，stratify 还管用吗？
不管用。当某类只有 1 个样本，stratify 无法保证它既出现在训练集又出现在测试集——它只保证各类在两集中占比一致，但不保证绝对存在。这时得换思路。
- 对稀有类（如仅 3 个样本），应强制将其全部放入训练集，再对剩余数据分层抽样，最后从训练集中按比例划出少量给测试集
- 用
imblearn的train_test_split替代：它支持stratify且对小样本更鲁棒，但需额外安装imbalanced-learn - 更稳妥的做法是：先用
df.groupby(strata_key).size()检查最小类频数，若min_count ，就放弃纯分层，改用分层+过采样（如 <code>SMOTE）或聚类分层（对连续特征做 KMeans 后分层）
分层后怎么验证分布是否真的一致？
不能只看比例数字，要对比实际分布形态。尤其注意类别顺序错位、空类别未对齐、或分箱边界不一致导致的偏差。
立即学习“Python免费学习笔记（深入）”；
- 用
pd.crosstab(train_df[strata_key], columns='count')和pd.crosstab(test_df[strata_key], columns='count')分别统计，再算相对误差：abs(train_pct - test_pct) / train_pct，>0.1 就算明显偏移 - 如果用了
pd.cut分箱，务必在训练集和测试集上用**同一套 bin 边界**（传入bins列表而非数量），否则测试集可能落入新箱，破坏分层逻辑 - 对时间序列数据，即使做了分层，也要检查时间戳是否混入——分层抽样不解决时间泄漏，该用时间分割还得用
TimeSeriesSplit
分层不是加个参数就完事；关键在分层键的构造是否覆盖所有业务维度，以及小样本类别的兜底策略是否生效。最容易被忽略的是：分箱边界、缺失值处理、和多列联合键的字符串拼接方式（比如用 '|' 比 '_' 更安全，避免字段本身含下划线）。
