在不使用 scikit learn 的情况下训练测试拆分

Question

我有一个房价预测数据集。我必须将数据集拆分为train 和test。
我想知道是否可以使用numpy 或scipy 来做到这一点？
我现在不能使用scikit学习。

Answer 1

我知道你的问题只是用 numpy 或 scipy 做一个 train_test_split 但实际上有一个非常简单的方法可以用 Pandas 来做：

import pandas as pd 

# Shuffle your dataset 
shuffle_df = df.sample(frac=1)

# Define a size for your train set 
train_size = int(0.7 * len(df))

# Split your dataset 
train_set = shuffle_df[:train_size]
test_set = shuffle_df[train_size:]

适合那些想要快速简便的解决方案的人。

Answer 2

虽然这是个老问题，但这个答案可能会有所帮助。

这就是 sklearn 实现 train_test_split 的方式，下面给出的这个方法，采用与 sklearn 类似的参数。

import numpy as np
from itertools import chain

def _indexing(x, indices):
    """
    :param x: array from which indices has to be fetched
    :param indices: indices to be fetched
    :return: sub-array from given array and indices
    """
    # np array indexing
    if hasattr(x, 'shape'):
        return x[indices]

    # list indexing
    return [x[idx] for idx in indices]

def train_test_split(*arrays, test_size=0.25, shufffle=True, random_seed=1):
    """
    splits array into train and test data.
    :param arrays: arrays to split in train and test
    :param test_size: size of test set in range (0,1)
    :param shufffle: whether to shuffle arrays or not
    :param random_seed: random seed value
    :return: return 2*len(arrays) divided into train ans test
    """
    # checks
    assert 0 < test_size < 1
    assert len(arrays) > 0
    length = len(arrays[0])
    for i in arrays:
        assert len(i) == length

    n_test = int(np.ceil(length*test_size))
    n_train = length - n_test

    if shufffle:
        perm = np.random.RandomState(random_seed).permutation(length)
        test_indices = perm[:n_test]
        train_indices = perm[n_test:]
    else:
        train_indices = np.arange(n_train)
        test_indices = np.arange(n_train, length)

    return list(chain.from_iterable((_indexing(x, train_indices), _indexing(x, test_indices)) for x in arrays))

当然 sklearn 的实现支持分层 k 折叠、拆分 pandas 系列等。这个只适用于拆分列表和 numpy 数组，我认为这对你的情况有用。

Answer 3

import numpy as np
import pandas as pd

X_data = pd.read_csv('house.csv')
Y_data = X_data["prices"]
X_data.drop(["offers", "brick", "bathrooms", "prices"], 
            axis=1, inplace=True) # important to drop prices as well

# create random train/test split
indices = range(X_data.shape[0])
num_training_instances = int(0.8 * X_data.shape[0])
np.random.shuffle(indices)
train_indices = indices[:num_training_indices]
test_indices = indices[num_training_indices:]

# split the actual data
X_data_train, X_data_test = X_data.iloc[train_indices], X_data.iloc[test_indices]
Y_data_train, Y_data_test = Y_data.iloc[train_indices], Y_data.iloc[test_indices]

这假设您想要随机拆分。发生的情况是，我们正在创建一个索引列表，只要您拥有的数据点数量，即 X_data（或 Y_data）的第一个轴。然后我们将它们按随机顺序排列，并将这些随机指标的前 80% 作为训练数据，其余的用于测试。 [:num_training_indices] 只是从列表中选择第一个 num_training_indices。之后，您只需使用随机索引列表从数据中提取行，然后拆分数据。如果您希望拆分可重现，请记住从您的 X_data 中删除价格并设置种子（开头为np.random.seed(some_integer)）。

Answer 4

此解决方案仅使用 pandas 和 numpy

def split_train_valid_test(data,valid_ratio,test_ratio):
    shuffled_indcies=np.random.permutation(len(data))
    valid_set_size= int(len(data)*valid_ratio)
    valid_indcies=shuffled_indcies[:valid_set_size]
    test_set_size= int(len(data)*test_ratio)
    test_indcies=shuffled_indcies[valid_set_size:test_set_size+valid_set_size]
    train_indices=shuffled_indcies[test_set_size:]
    return data.iloc[train_indices],data.iloc[valid_indcies],data.iloc[test_indcies]

train_set,valid_set,test_set=split_train_valid_test(dataset,valid_ratio=0.2,test_ratio=0.2)
print(len(train_set),len(valid_set),len(test_set))
##out: (16512, 4128, 4128)

Answer 5

这段代码应该可以工作（假设 X_data 是 pandas DataFrame）：

import numpy as np
num_of_rows = len(X_data) * 0.8
values = X_data.values
np.random_shuffle(values) #shuffles data to make it random
train_data = values[:num_of_rows] #indexes rows for training data
test_data = values[num_of_rows:] #indexes rows for test data

希望这会有所帮助！