كيفية إنشاء مجموعة قطار واختبار من pandas dataframe

عند ملاءمة نماذج التعلم الآلي لمجموعات البيانات، غالبًا ما نقوم بتقسيم مجموعة البيانات إلى مجموعتين:

1. مجموعة التدريب: تستخدم لتدريب النموذج (70-80% من مجموعة البيانات الأصلية)

2. مجموعة الاختبار: تستخدم للحصول على تقدير غير متحيز لأداء النموذج (20-30% من مجموعة البيانات الأصلية)

في بايثون، هناك طريقتان شائعتان لتقسيم إطار بيانات الباندا إلى مجموعة تدريب ومجموعة اختبار:

الطريقة الأولى: استخدام Train_test_split() الخاص بـ sklearn

 from sklearn. model_selection import train_test_split

train, test = train_test_split(df, test_size= 0.2 , random_state= 0 )

الطريقة الثانية: استخدام Sample() من الباندا

 train = df. sample (frac= 0.8 , random_state= 0 )
test = df. drop ( train.index )

توضح الأمثلة التالية كيفية استخدام كل طريقة مع الباندا DataFrame التالية:

 import pandas as pd
import numpy as np

#make this example reproducible
n.p. random . seeds (1)

#create DataFrame with 1,000 rows and 3 columns
df = pd. DataFrame ( {' x1 ': np.random.randint (30,size=1000),
                   ' x2 ': np. random . randint (12, size=1000),
                   ' y ': np. random . randint (2, size=1000)})

#view first few rows of DataFrame
df. head ()

        x1 x2 y
0 5 1 1
1 11 8 0
2 12 4 1
3 8 7 0
4 9 0 0

مثال 1: استخدم Train_test_split() من sklearn

يوضح التعليمة البرمجية التالية كيفية استخدام وظيفة Train_test_split() الخاصة بـ sklearn لتقسيم Pandas DataFrame إلى مجموعات تدريب واختبار:

 from sklearn. model_selection import train_test_split

#split original DataFrame into training and testing sets
train, test = train_test_split(df, test_size= 0.2 , random_state= 0 )

#view first few rows of each set
print ( train.head ())

     x1 x2 y
687 16 2 0
500 18 2 1
332 4 10 1
979 2 8 1
817 11 1 0

print ( test.head ())

     x1 x2 y
993 22 1 1
859 27 6 0
298 27 8 1
553 20 6 0
672 9 2 1

#print size of each set
print (train. shape , test. shape )

(800, 3) (200, 3)

من النتيجة يمكننا أن نرى أنه تم إنشاء مجموعتين:

• مجموعة التدريب: 800 صف و3 أعمدة
• مجموعة الاختبار: 200 صف و3 أعمدة

لاحظ أن test_size يتحكم في النسبة المئوية للملاحظات من DataFrame الأصلي التي ستنتمي إلى مجموعة الاختبار وأن قيمة Random_state تجعل الانقسام قابلاً للتكرار.

المثال 2: استخدم Sample() من الباندا

يوضح التعليمة البرمجية التالية كيفية استخدام وظيفة pandas Sample() لتقسيم Pandas DataFrame إلى مجموعات تدريب واختبار:

 #split original DataFrame into training and testing sets
train = df. sample (frac= 0.8 , random_state= 0 )
test = df. drop ( train.index )

#view first few rows of each set
print ( train.head ())

     x1 x2 y
993 22 1 1
859 27 6 0
298 27 8 1
553 20 6 0
672 9 2 1

print ( test.head ())

    x1 x2 y
9 16 5 0
11 12 10 0
19 5 9 0
23 28 1 1
28 18 0 1

#print size of each set
print (train. shape , test. shape )

(800, 3) (200, 3)

من النتيجة يمكننا أن نرى أنه تم إنشاء مجموعتين:

• مجموعة التدريب: 800 صف و3 أعمدة
• مجموعة الاختبار: 200 صف و3 أعمدة

لاحظ أن frac يتحكم في النسبة المئوية للملاحظات من DataFrame الأصلي الذي سينتمي إلى مجموعة التدريب وأن قيمة Random_state تجعل الانقسام قابلاً للتكرار.

مصادر إضافية

تشرح البرامج التعليمية التالية كيفية تنفيذ المهام الشائعة الأخرى في بايثون:

كيفية تنفيذ الانحدار اللوجستي في بايثون
كيفية إنشاء مصفوفة الارتباك في بايثون
كيفية حساب الدقة المتوازنة في بايثون