StratifiedKFold比KFold更适合类别不平衡数据，因其每折均保持各类别原始比例，避免少数类在某fold中缺失；使用时需确保y为整型/字符串标签、无缺失、单列且分布足够支撑n_splits。
StratifiedKFold 为什么比 KFold 更适合类别不平衡数据
因为 StratifiedKFold 在每次划分训练/验证集时，会按原始数据中各类别的比例强制保持一致；而 KFold 是纯随机切分，小类别样本可能在某次 fold 中完全缺失，导致模型根本学不到少数类模式。
典型表现是：用 KFold 跑完 5 折交叉验证后，某几折的 classification_report 里少数类的 f1-score 直接是 0.0 或 nan —— 不是模型差，是验证集压根没给它评估机会。
如何正确传入 y 参数避免 ValueError
StratifiedKFold 必须明确知道每个样本属于哪一类，所以 y 不能是连续值、不能含缺失、不能是 DataFrame（除非只取一列且 dtype 是 category/int/str）。
- 错误写法：
skf.split(X, y_df)（y_df是带多列的 DataFrame） - 正确写法：
skf.split(X, y_df.iloc[:, 0])或skf.split(X, y_df['label']) - 如果
y是浮点型但实际是编码后的类别（如 0.0, 1.0），先转成 int：y = y.astype(int) - 遇到
ValueError: The least populated class in y has only 1 member，说明某个类别样本数少于n_splits，此时要么改用ShuffleSplit，要么手动合并极小类别或过采样
fit 之前别急着 split：先检查 y 的分布
很多问题其实出在数据预处理阶段——你以为的“三分类”可能其中一类只有 2 个样本，或者标签被意外转成了字符串导致 StratifiedKFold 按字典序分层。
实操建议：
- 跑
import numpy as np; np.unique(y, return_counts=True)看真实分布 - 用
pandas.Series(y).value_counts().sort_index()验证顺序是否符合预期 - 如果 y 含空值，
StratifiedKFold会直接报错，务必提前y = y.dropna()并同步删掉 X 对应行 - 注意：
StratifiedKFold(shuffle=True, random_state=42)中的random_state只控制 shuffle，不影响分层逻辑本身
和 Pipeline 配合时的常见陷阱
如果你把 StratifiedKFold 塞进 cross_val_score 或 GridSearchCV，记得确认 estimator 内部没有偷偷重写 y（比如某些自定义 transformer 在 fit_transform 里修改了标签）。
- 错误信号：
cross_val_score报ValueError: Found array with 0 sample(s) - 安全做法：单独调用
skf.split(X, y)拿到索引，再手动喂给pipeline.fit(X[train_idx], y[train_idx]) - 若 pipeline 中含
SMOTE等过采样步骤，必须只在训练集上做（即放在fit阶段），否则会泄露验证集信息——StratifiedKFold本身不负责这个，得你手动隔离
分层抽样的真正难点不在调用函数，而在确保传进去的 y 是干净、对齐、可解释的。多数报错不是 API 用错了，是上游数据悄悄变了模样。
