如何制作数字高维数据集的子样本答案

【问题标题】：How to make subsample of digit higher dimension dataset如何制作数字高维数据集的子样本
【发布时间】：2022-07-21 23:08:34
【问题描述】：

在我们的演示中，我们将只使用来自 sklearn 的十位数数据集。 Pendigits 数据集由数字 0 到数字 9 的 10 个类组成。

from sklearn.datasets import load_digits
digits = load_digits()
print(digits.data.shape)
print(digits.target.shape)

输出看起来像 -

(1797, 64)
(1797,)

所以每个数字都包含一些样本数据集。我想从数据集中获得每个类的子样本。例如从数字 0 到数字 9，我需要数据集中存在的每个类的 50 个子样本。

print(digits.data.shape)
print(digits.target.shape)

结果应该是（50 个子样本 * 10 class= 500 个子样本）-

(500,64)
(500)

结果应包含数据集中每个可用类的子样本。如果您需要更多详细信息，请告诉我。

【问题讨论】：

标签： python numpy dataset

【解决方案1】：

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split

digits = load_digits()
X, _, y, _ = train_test_split(
    digits.data, digits.target,
    stratify=digits.target, train_size=500
)
X.shape, y.shape #((500, 64), (500,))

【讨论】：

【解决方案2】：

一种选择是使用sklearn.model_selection.train_test_split 和stratify 以分层方式拆分数据。

from sklearn.datasets import load_digits


X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target,
                                                    stratify=digits.target, 
                                                    train_size=500)
np.unique(y_train, return_counts=True)
# (array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]),
# array([50, 51, 49, 51, 50, 51, 50, 50, 48, 50]))

【讨论】：