Как создать набор поездов и тестов из pandas dataframe

При подгонке моделей машинного обучения к наборам данных мы часто делим набор данных на два набора:

1. Обучающий набор: используется для обучения модели (70-80% исходного набора данных).

2. Тестовый набор: используется для получения несмещенной оценки эффективности модели (20–30 % исходного набора данных).

В Python существует два распространенных способа разделить DataFrame pandas на обучающий набор и тестовый набор:

Метод 1: используйте train_test_split() sklearn.

 from sklearn. model_selection import train_test_split

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

Способ 2: используйте sample() из pandas

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

В следующих примерах показано, как использовать каждый метод со следующим DataFrame pandas:

 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

Пример 1: используйте train_test_split() из sklearn

В следующем коде показано, как использовать функцию train_test_split() sklearn для разделения DataFrame pandas на обучающий и тестовый наборы:

 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)

Из результата мы видим, что были созданы два набора:

• Обучающий набор: 800 строк и 3 столбца.
• Тестовый набор: 200 строк и 3 столбца.

Обратите внимание, что test_size контролирует процент наблюдений из исходного DataFrame, которые будут принадлежать тестовому набору, а значение random_state делает разделение воспроизводимым.

Пример 2. Использование sample() из pandas

В следующем коде показано, как использовать функцию pandas sample() для разделения DataFrame pandas на обучающий и тестовый наборы:

 #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)

Из результата мы видим, что были созданы два набора:

• Обучающий набор: 800 строк и 3 столбца.
• Тестовый набор: 200 строк и 3 столбца.

Обратите внимание, что frac контролирует процент наблюдений из исходного DataFrame, которые будут принадлежать обучающему набору, а значение random_state делает разделение воспроизводимым.

Дополнительные ресурсы

В следующих руководствах объясняется, как выполнять другие распространенные задачи на Python:

Как выполнить логистическую регрессию в Python
Как создать матрицу путаницы в Python
Как рассчитать сбалансированную точность в Python