Sklearn 将 Pandas Dataframe 和 CSR Matrix 拆分为测试和训练集

Question

我正在尝试使用 scikit-learn DecisionTree 和 Pandas Dataframe 对文本进行分类： 首先，我构建了一个如下所示的数据框：

   cat1  cat2                             corpus           title
0     0     1                     Test Test Test    erster titel
1     1     0                   Test Super Super   zweiter titel
2     0     1                     Test Test Test   dritter titel
3     0     1                    Test Super Test   vierter titel
4     1     0                   Super Test Super  fuenfter titel
5     1     1         Super einfacher Test Super  fuenfter titel
6     1     1  Super simple einfacher Test Super  fuenfter titel

然后我正在生成一个 TF-IDF-Matrix：

_matrix = generate_tf_idf_matrix(training_df['corpus'].values)

返回一个 csr 矩阵（CountVectorizer -> TfidfTransformer）

对于我的分类器，我想使用

    train_X = _matrix
    train_Y = training_df[['cat1','cat2']]

用于多标签分类

我现在的问题是：

如何将我的数据框和我的 csr 矩阵拆分为测试集和训练集？ 如果我在创建矩阵之前拆分数据框，则 csr 矩阵的大小会有所不同，因为我的文档具有不同的特征。

限制：我不想将我的矩阵转换为数组，所以我可以轻松拆分它。

Answer 1

scikit-learns 包已经包含一个非常强大的模块，用于 train-val-test 交叉验证功能。您可以快速浏览整个模块sklearn.cross_validation（此处为API）。

一般train_test_split 会做这项工作：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33)

但是，如果您的类 y 非常不平衡，您可能会对 StratifiedShuffleSplit 感兴趣，它在训练/测试数据集中拆分数据，但在每个训练/测试集中保留每个类的百分比.

因此，在您的情况下，首先创建您的 X = _matrix 和 y = training_df[['cat1', 'cat2']]，然后使用 scikit-learn 的函数将其拆分为训练/测试数据集。