如何正确实现多阶段分层抽样(train/val/test)以保持类别平衡

风萱姑娘_9928

风萱姑娘_9928

2026-11-22

204人浏览

原创

如何正确实现多阶段分层抽样(train/val/test)以保持类别平衡

本文详解在使用 train_test_split 进行多阶段数据划分时,为何第二阶段分层失效,并提供可复现的修复方案:关键在于每次分层都必须基于当前子集的完整标签信息,而非原始 DataFrame 的全局索引或孤立 ID 列。

本文详解在使用 `train_test_split` 进行多阶段数据划分时,为何第二阶段分层失效,并提供可复现的修复方案:关键在于每次分层都必须基于当前子集的完整标签信息,而非原始 dataframe 的全局索引或孤立 id 列。

在机器学习实践中,将数据划分为训练集(train)、验证集(val)和测试集(test)时,常需保证各子集的类别分布与原始数据一致(即分层抽样,stratification)。一个常见误区是:在首次划分后仅用 ID 列进行后续分割,却未同步更新用于 stratify 的标签向量——这会导致 train_test_split 无法正确对齐样本与标签,从而破坏类别平衡。

上述问题的核心在于 stratify 参数必须与输入数据严格对齐。在第一步中,train_test_split(df["id"], stratify=df.label, ...) 能成功分层,是因为 df["id"] 和 df.label 共享相同的索引顺序,sklearn 可据此建立一一映射。但在第二步中:

# ❌ 错误:train_ids 是纯 ID 列表,df.loc[df.id.isin(train_ids), "label"] 的索引已打乱
train_ids, val_ids = train_test_split(
    train_ids, 
    stratify=df.loc[df.id.isin(train_ids), "label"],  # 索引不匹配!
    test_size=n_val, 
    random_state=42
)

此时 train_ids 是无序 ID 列表,而 df.loc[...] 返回的 Series 索引是原始 DataFrame 的位置索引(如 0, 1, ..., 999),二者长度虽同为 800,但顺序完全不对应。train_test_split 内部按输入数组的 位置顺序 进行分层,因此传入错位的标签会导致分层逻辑崩溃。

✅ 正确做法是:先构建当前子集的完整视图(DataFrame 子集),再从中提取对齐的 id 和 label:

# ✅ 正确:基于当前子集构建对齐的特征与标签
train_df = df[df["id"].isin(train_ids)]  # 获取完整子集(含 id + label)
train_ids_new, val_ids = train_test_split(
    train_df["id"],           # 输入:子集的 id 列
    stratify=train_df["label"], # 对齐的 label 列(同索引、同顺序)
    test_size=n_val,
    random_state=42
)
train_ids = train_ids_new  # 更新 train_ids 为新划分结果

完整修正版代码如下(含验证输出):

import pandas as pd
from sklearn.model_selection import train_test_split

# 构建平衡数据集
ids = list(range(1000))
label = 500 * [1.0] + 500 * [0.0]
df = pd.DataFrame({"id": ids, "label": label})

train_p, val_p, test_p = 0.8, 0.1, 0.1
n_train, n_val, n_test = int(1000 * train_p), int(1000 * val_p), 1000 - int(1000 * train_p) - int(1000 * val_p)

# 第一次分层:分离 test 集
train_ids, test_ids = train_test_split(
    df["id"], 
    stratify=df["label"], 
    test_size=n_test, 
    random_state=42
)

# 第二次分层:在剩余数据中分离 val 集(关键修复点)
train_df = df[df["id"].isin(train_ids)]  # 构建当前训练子集
train_ids_new, val_ids = train_test_split(
    train_df["id"],
    stratify=train_df["label"],  # ✅ 标签与 ID 完全对齐
    test_size=n_val,
    random_state=42
)

# 构建最终三个子集
train_df = df[df["id"].isin(train_ids_new)]
val_df = df[df["id"].isin(val_ids)]
test_df = df[df["id"].isin(test_ids)]

# 验证类别分布
print("Train label distribution:")
print(train_df["label"].value_counts().sort_index())
print("\nValidation label distribution:")
print(val_df["label"].value_counts().sort_index())
print("\nTest label distribution:")
print(test_df["label"].value_counts().sort_index())

输出将显示三组均严格保持 1.0: 400, 0.0: 400(train)、1.0: 50, 0.0: 50(val)、1.0: 50, 0.0: 50(test)的完美平衡。

? 关键注意事项:

  • stratify 必须是与第一个参数(X)长度相同且索引/顺序严格对齐的一维数组;
  • 避免在分层前使用 .isin() 等操作打乱原始索引顺序;
  • 更简洁的替代方案是直接对整个 DataFrame 分层切片(如 train_test_split(df, stratify=df['label'])),再按需拆解列;
  • 若需保留原始索引,可在分割后使用 .reset_index(drop=True) 统一处理。

遵循此原则,即可确保任意阶段的分层抽样均能精准维持类别比例,为模型评估提供可靠的数据基础。

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1971

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5664

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1929

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

34817

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4047

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4067

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1303

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3163

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
热门推荐
/
最新课程
phpStudy极速入门视频教程
phpStudy极速入门视频教程

共6课时 | 54.8万人学习

独孤九贱(4)_PHP视频教程
独孤九贱(4)_PHP视频教程

共89课时 | 134.5万人学习