
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。










