У меня есть DataFrame в пандах, которые содержат примеры обучения, например:
feature1 feature2 class
0 0.548814 0.791725 1
1 0.715189 0.528895 0
2 0.602763 0.568045 0
3 0.544883 0.925597 0
4 0.423655 0.071036 0
5 0.645894 0.087129 0
6 0.437587 0.020218 0
7 0.891773 0.832620 1
8 0.963663 0.778157 0
9 0.383442 0.870012 0
который я сгенерировал, используя:
import pandas as pd
import numpy as np
np.random.seed(0)
number_of_samples = 10
frame = pd.DataFrame({
'feature1': np.random.random(number_of_samples),
'feature2': np.random.random(number_of_samples),
'class': np.random.binomial(2, 0.1, size=number_of_samples),
},columns=['feature1','feature2','class'])
print(frame)
Как видите, обучающая выборка несбалансирована (8 образцов имеют класс 0, и только 2 образца имеют класс 1). Я хотел бы передискретизировать тренировочный набор. В частности, я хотел бы дублировать обучающие выборки с классом 1, чтобы обучающая выборка была сбалансированной (т. Е. Где количество выборок с классом 0 примерно такое же, как количество выборок с классом 1). Как я могу это сделать?
В идеале я хотел бы решение, которое может быть обобщено на настройку мультикласса (т. е. целое число в столбце класса может быть больше 1).
frame.groupby('class', group_keys=False).apply(lambda x: x.sample(10, replace=True))
(поскольку его параметр замены имеет значение True, теоретически он может не выбирать все уникальные элементы в классе) или вы ищете ручное дублирование? - person ayhan   schedule 22.01.2018