本文介绍一种结合家族独立约束与神经质（neofac_n）分布均衡要求的分层抽样方法，利用 stratifiedkfold 实现无血缘重叠、等比例且分层平衡的双样本划分。
本文介绍一种结合家族独立约束与神经质（neofac_n）分布均衡要求的分层抽样方法，利用 stratifiedkfold 实现无血缘重叠、等比例且分层平衡的双样本划分。
在神经科学或行为遗传学研究中，常需将被试划分为两个互斥子样本，同时满足两个关键约束：
-
家族独立性：同一家庭（由
Family_ID标识）的成员不得出现在同一子样本中； -
分层均衡性：两组在连续型协变量（如神经质分数
NEOFAC_N）上的分布应尽可能一致，避免混杂偏差。
直接对 NEOFAC_N 进行分层需将其离散化——这是 StratifiedKFold 的前提。由于 NEOFAC_N 是 0–40 区间整数，我们可采用等宽分箱（如 5 箱）或等频分箱（推荐），确保每层样本量均衡。以下为完整、可复现的解决方案：
import numpy as np
import pandas as pd
from sklearn.model_selection import StratifiedKFold
from sklearn.preprocessing import KBinsDiscretizer
# --- 步骤 1：准备数据（同原代码，略作封装）---
np.random.seed(42)
num_subjects = 174
num_families = 87
family_ids = np.repeat(np.arange(num_families), 2)[:num_subjects]
np.random.shuffle(family_ids)
neuroticism_scores = np.clip(np.random.normal(20, 5, num_subjects), 0, 40).astype(int)
df_behavioral = pd.DataFrame({
'Subject_ID': [f'Subject_{i}' for i in range(num_subjects)],
'Family_ID': family_ids,
'NEOFAC_N': neuroticism_scores
})
# --- 步骤 2：构建“家族唯一标识”以强制跨家庭分配 ---
# 关键思想：每个 Family_ID 对应一组兄弟姐妹，我们仅允许该组被整体分配至某一折（即一折=一个子样本）
# 因此，将 Family_ID 视为“分层标签”的基础单元，但需确保每组只贡献一个成员到最终子样本
family_groups = df_behavioral.groupby('Family_ID').apply(lambda x: x.index.tolist()).tolist()
# --- 步骤 3：为每个家庭生成一个代表性的 Neuroticism 分层标签 ---
# 对每个家庭，取其成员的 Neuroticism 中位数（或均值），用于后续分层
family_neuroticism_rep = []
family_indices_rep = []
for family_idx_list in family_groups:
sub_df = df_behavioral.loc[family_idx_list]
rep_score = sub_df['NEOFAC_N'].median() # 鲁棒性优于均值
family_neuroticism_rep.append(rep_score)
family_indices_rep.append(family_idx_list[0]) # 仅记录首个索引作为该家庭“代表索引”
# 将代表分数离散化为分层标签（5 层，等频分箱）
discretizer = KBinsDiscretizer(n_bins=5, encode='ordinal', strategy='quantile')
family_strata = discretizer.fit_transform(np.array(family_neuroticism_rep).reshape(-1, 1)).astype(int).ravel()
# --- 步骤 4：使用 StratifiedKFold 划分“家庭单元” ---
skf = StratifiedKFold(n_splits=2, shuffle=True, random_state=42)
train_fam_indices, test_fam_indices = next(skf.split(np.zeros(len(family_groups)), family_strata))
# --- 步骤 5：展开为个体级子样本 ---
set1_indices = [idx for i in train_fam_indices for idx in family_groups[i]]
set2_indices = [idx for i in test_fam_indices for idx in family_groups[i]]
# 确保两组大小接近（因家庭规模均为 1 或 2，总人数 174 → 理论各 87）
sample_1 = df_behavioral.loc[set1_indices].reset_index(drop=True)
sample_2 = df_behavioral.loc[set2_indices].reset_index(drop=True)
print(f"Sample 1 size: {len(sample_1)}, Sample 2 size: {len(sample_2)}")
print("Family_ID overlap check (should be empty):",
set(sample_1['Family_ID']) & set(sample_2['Family_ID']))✅ 关键优势说明：
- 家族独立性由
family_groups结构天然保障——每个家庭的所有成员始终被整体分配至同一子样本，再通过StratifiedKFold在家庭层级上分层，彻底规避了同胞共现问题； - 分层基于家庭代表性神经质分数（中位数），比直接对个体打标签更稳健，尤其当家庭内变异较大时；
- 使用
quantile策略分箱确保各层家庭数均衡，提升两组神经质分布匹配度。
⚠️ 注意事项：
- 若存在单人家庭（
Family_ID出现频次为 1），本方案仍适用；若存在三人及以上家庭，需先按需拆分（如随机保留两人）或改用图着色等更复杂策略； - 最终子样本大小可能略有差异（如 86 vs 88），属正常现象，可通过微调
n_splits或手动平衡补足； - 建议后续用 KS 检验或可视化（如重叠直方图 + KDE）验证
NEOFAC_N分布一致性。
该方法兼顾统计严谨性与实操可行性，适用于多数行为遗传学样本划分场景。
