如何从保持相同类平衡的数据集中抽取样本？

Question

我正在使用https://nlp.stanford.edu/sentiment/treebank.html 数据集。 它有两列。一是回顾一两行。其次是评分，是0到4之间的数字。条目总数为8533。数据分布如下：

• 评分，该评分的示例计数
• 3, 2318
• 1, 2215
• 2, 1623
• 4, 1287
• 0, 1090

现在，我想从这个大小为 10、20、30 等的数据集中抽取一个样本。每次我想保持类分布与原始数据集中相同。 我该怎么做？

Answer 1

看看分层抽样，这是许多现有解决方案的标准问题。 https://en.wikipedia.org/wiki/Stratified_sampling https://stats.stackexchange.com/questions/250273/benefits-of-stratified-vs-random-sampling-for-generating-training-data-in-classi