Jak utworzyć zestaw pociągowy i testowy z ramki danych pandas

Dopasowując modele uczenia maszynowego do zbiorów danych, często dzielimy zbiór danych na dwa zbiory:

1. Zbiór uczący: używany do uczenia modelu (70-80% oryginalnego zbioru danych)

2. Zbiór testowy: używany do uzyskania bezstronnego oszacowania wydajności modelu (20-30% oryginalnego zbioru danych)

W Pythonie istnieją dwa typowe sposoby dzielenia ramki DataFrame pandy na zestaw szkoleniowy i zestaw testowy:

Metoda 1: Użyj funkcji train_test_split() sklearna

 from sklearn. model_selection import train_test_split

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

Metoda 2: użyj próbki() z pand

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

Poniższe przykłady pokazują, jak używać każdej metody z następującą ramką DataFrame pand:

 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

Przykład 1: użyj funkcji train_test_split() ze sklearn

Poniższy kod pokazuje, jak używać funkcji train_test_split() sklearn do dzielenia ramki DataFrame pand na zestawy szkoleniowe i testowe:

 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)

Z wyniku widzimy, że powstały dwa zestawy:

• Zbiór szkoleniowy: 800 wierszy i 3 kolumny
• Zbiór testowy: 200 wierszy i 3 kolumny

Należy zauważyć, że test_size kontroluje procent obserwacji z oryginalnej ramki danych, które będą należeć do zbioru testowego, a wartość random_state sprawia, że podział jest powtarzalny.

Przykład 2: Użyj próbki() z pand

Poniższy kod pokazuje, jak użyć funkcji pandas sample() do podzielenia ramki DataFrame pandy na zestawy szkoleniowe i testowe:

 #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)

Z wyniku widzimy, że powstały dwa zestawy:

• Zbiór szkoleniowy: 800 wierszy i 3 kolumny
• Zbiór testowy: 200 wierszy i 3 kolumny

Należy zauważyć, że frac kontroluje procent obserwacji z oryginalnej ramki danych, które będą należeć do zbioru szkoleniowego, a wartość random_state sprawia, że podział jest powtarzalny.

Dodatkowe zasoby

Poniższe samouczki wyjaśniają, jak wykonywać inne typowe zadania w Pythonie:

Jak przeprowadzić regresję logistyczną w Pythonie
Jak utworzyć macierz zamieszania w Pythonie
Jak obliczyć zrównoważoną precyzję w Pythonie