本文介绍如何在使用 train_test_split 划分数据后，将 X_train、X_test、y_train、y_test 无损还原为原始 DataFrame 结构（含列名与顺序），并导出为 CSV 文件。
本文介绍如何在使用 `train_test_split` 划分数据后，将 `x_train`、`x_test`、`y_train`、`y_test` 无损还原为原始 dataframe 结构（含列名与顺序），并导出为 csv 文件。
在机器学习流程中，常需将原始数据集（如 df）按特征 X 和标签 y 拆分，并进一步划分为训练集与测试集。但有时出于数据审计、版本存档或下游协作需求，需将划分后的数据严格还原为原始格式——即保留原始列名、列顺序、数据类型及行序逻辑（注意：train_test_split 默认打乱顺序，若需完全复原原始行序，须提前保存索引；本文默认接受划分后的自然拼接顺序，但确保结构一致）。
✅ 正确还原与保存步骤
首先，确保你已保留原始 DataFrame 的列名（尤其是目标列位置）：
Miller CSV TSV JSON 数据处理器
下载
Miller (mlr) 是一个命令行工具，用于查询、整形和重新格式化名称索引数据，如 CSV、TSV、JSON 和 JSON Lines。它将 awk、sed、cut、join 和 sort 的功能整合到一个专为结构化数据处理而构建的单一工具中。
# 假设原始 df 包含特征列 + 最后一列为 'label'
feature_cols = df.drop('label', axis=1).columns.tolist()
columns_order = feature_cols + ['label'] # 显式定义列顺序，避免歧义
接着，将拆分后的数组合并为完整二维结构：
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
# 划分前保存原始列名（关键！）
original_columns = df.columns.tolist()
# 划分数据（注意：stratify=y 会打乱行序，原始索引已丢失）
X = df.drop('label', axis=1).values
y = df['label'].values # 更简洁，无需 reshape + ravel
X_train, X_test, y_train, y_test = train_test_split(
X, y, train_size=0.8, test_size=0.2,
random_state=0, stratify=y
)
# 合并训练集与测试集：先各自拼接特征+标签，再纵向堆叠
train_full = np.hstack([X_train, y_train.reshape(-1, 1)])
test_full = np.hstack([X_test, y_test.reshape(-1, 1)])
merged_array = np.vstack([train_full, test_full])
# 构建新 DataFrame，严格使用 original_columns 保证列名与顺序
df_merged = pd.DataFrame(merged_array, columns=original_columns)
# 可选：恢复数值类型（因 np.hstack 会转为 float64，需按需转换）
for col in df_merged.select_dtypes(include=['number']).columns:
if pd.api.types.is_integer_dtype(df[col]):
df_merged[col] = pd.to_numeric(df_merged[col], downcast='integer')
# 保存为 CSV，不保存索引，确保纯数据一致性
df_merged.to_csv('merged_dataset.csv', index=False)
⚠️ 重要注意事项
- 列名必须显式传递：np.hstack/np.vstack 仅处理数值，丢失列信息，务必用 columns=original_columns 显式指定。
-
数据类型可能变化：NumPy 数组运算常将整型转为浮点型。若原始 label 为类别型（如 int 或 str），建议在 to_csv() 前用 astype() 显式转换，或改用 pd.concat 配合 pd.DataFrame 构造（更类型安全）：
train_df = pd.DataFrame(X_train, columns=feature_cols) train_df['label'] = y_train test_df = pd.DataFrame(X_test, columns=feature_cols) test_df['label'] = y_test df_merged = pd.concat([train_df, test_df], ignore_index=True)[original_columns]
- 行序不可逆：train_test_split 的 shuffle=True（默认）会打乱原始顺序。如需严格保持原始行序，请设置 shuffle=False，或在划分前用 df.reset_index(drop=True) 并保存索引映射。
- 避免 .values 过度使用：直接操作 DataFrame 子集（如 df.iloc[train_idx]）可天然保留列名与类型，是更健壮的替代方案。
最终生成的 merged_dataset.csv 将与原始 df 具有完全一致的列结构、命名和数据布局，可直接用于报告、归档或跨团队交付。
