Як створити тренувальний і тестовий набір із pandas dataframe

При підгонці моделей машинного навчання до наборів даних ми часто ділимо набір даних на два набори:

1. Навчальний набір: використовується для навчання моделі (70-80% вихідного набору даних)

2. Тестовий набір: використовується для отримання неупередженої оцінки продуктивності моделі (20-30% вихідного набору даних)

У Python існує два поширених способи розділити pandas DataFrame на навчальний набір і тестовий набір:

Спосіб 1: Використовуйте sklearn train_test_split()

 from sklearn. model_selection import train_test_split

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

Спосіб 2: використовуйте sample() з pandas

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

У наведених нижче прикладах показано, як використовувати кожен метод із такими pandas DataFrame:

 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

Приклад 1: використовуйте train_test_split() від sklearn

Наступний код показує, як використовувати функцію train_test_split() sklearn , щоб розділити pandas DataFrame на навчальні та тестові набори:

 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)

З результату ми бачимо, що було створено два набори:

• Навчальний набір: 800 рядків і 3 стовпці
• Набір тестів: 200 рядків і 3 стовпці

Зауважте, що test_size контролює відсоток спостережень з оригінального DataFrame, який належатиме до тестового набору, а значення random_state робить розділення відтворюваним.

Приклад 2: Використовуйте sample() із pandas

Наступний код показує, як використовувати функцію pandas sample() , щоб розділити pandas DataFrame на навчальні та тестові набори:

 #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)

З результату ми бачимо, що було створено два набори:

• Навчальний набір: 800 рядків і 3 стовпці
• Набір тестів: 200 рядків і 3 стовпці

Зауважте, що frac контролює відсоток спостережень з вихідного DataFrame, який належатиме до навчального набору, а значення random_state робить розподіл відтворюваним.

Додаткові ресурси

У наступних посібниках пояснюється, як виконувати інші типові завдання в Python:

Як виконати логістичну регресію в Python
Як створити матрицю плутанини в Python
Як розрахувати збалансовану точність у Python