pandas内置数据集_如何用pandas划分数据集实现训练集和测试集

如何用pandas划分数据集实现训练集和测试集

发布时间：2020-07-20 13:38:32

来源：亿速云

阅读：249

作者：小猪

这篇文章主要讲解了如何用pandas划分数据集实现训练集和测试集，内容清晰明了，对此有兴趣的小伙伴可以学习一下，相信大家阅读完之后会有帮助。

1、使用model_select子模块中的train_test_split函数进行划分

数据：使用kaggle上Titanic数据集

划分方法：随机划分

# 导入pandas模块，sklearn中model_select模块

import pandas as pd

from sklearn.model_select import train_test_split

# 读取数据

data = pd.read_csv('.../titanic_dataset/train.csv')

# 将特征划分到 X 中，标签划分到 Y 中

x = data.iloc[:, 2:]

y = data.loc['Survived']

# 使用train_test_split函数划分数据集(训练集占75%，测试集占25%)

x_train, x_test, y_train，y_test = train_test_split(x, y, test_size=0.25, ramdon_state=0)

缺点：1、数据浪费严重，只对部分数据进行了验证

2、容易过拟合

2、k折交叉验证(kfold)

原理：将数据集划分成n个不相交的子集，每次选择其中一个作为测试集，剩余n-1个子集作为            训练集，共生成 n 组数据

使用方法：sklearn.model_select.KFold(n_splits=5，shuffle=False，random_state=0)

参数说明：n_splits：数据集划分的份数，

shuffle：每次划分前是否重新洗牌 ,False表示划分前不洗牌，每次划分结果一样，True表示划分前洗牌，每次划分结果不同

random_state：随机种子数

(1)shuffle=False 情况下数据划分情况

# 不洗牌模式下数据划分情况

import numpy as np

from sklearn.model_selection import KFold

x = np.arange(46).reshape(23,2)

kf = KFold(n_splits=5,shuffle=False)

for train_index, test_index in kf.split(x):

print(train_index,test_index)

[ 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22] [0 1 2 3 4]

[ 0 1 2 3 4 10 11 12 13 14 15 16 17 18 19 20 21 22] [5 6 7 8 9]

[ 0 1 2 3 4 5 6 7 8 9 15 16 17 18 19 20 21 22] [10 11 12 13 14]

[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 19 20 21 22] [15 16 17 18]

[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18] [19 20 21 22]

(2)shuffle=True 情况下数据划分情况

import numpy as np

from sklearn.model_selection import KFold

x = np.arange(46).reshape(23,2)

kf = KFold(n_splits=5,shuffle=True)

for train_index, test_index in kf.split(x):

print(train_index,test_index)

[ 0 3 4 5 6 7 8 9 10 11 12 14 15 16 17 19 20 21] [ 1 2 13 18 22]

[ 0 1 2 3 5 6 7 10 11 13 15 16 17 18 19 20 21 22] [ 4 8 9 12 14]

[ 0 1 2 3 4 7 8 9 10 12 13 14 15 16 17 18 19 22] [ 5 6 11 20 21]

[ 1 2 3 4 5 6 8 9 10 11 12 13 14 15 18 19 20 21 22] [ 0 7 16 17]

[ 0 1 2 4 5 6 7 8 9 11 12 13 14 16 17 18 20 21 22] [ 3 10 15 19]

总结：从数据中可以看出shuffle=True情况下数据的划分是打乱的，而shuffle=False情况下数据的划分是有序的

看完上述内容，是不是对如何用pandas划分数据集实现训练集和测试集有进一步的了解，如果还想学习更多内容，欢迎关注亿速云行业资讯频道。