复制训练示例以处理pandas数据框中的类不平衡

Question

我在熊猫中有一个DataFrame，其中包含训练示例，例如：

   feature1  feature2  class
0  0.548814  0.791725      1
1  0.715189  0.528895      0
2  0.602763  0.568045      0
3  0.544883  0.925597      0
4  0.423655  0.071036      0
5  0.645894  0.087129      0
6  0.437587  0.020218      0
7  0.891773  0.832620      1
8  0.963663  0.778157      0
9  0.383442  0.870012      0

我生成的使用：

import pandas as pd
import numpy as np

np.random.seed(0)
number_of_samples = 10
frame = pd.DataFrame({
    'feature1': np.random.random(number_of_samples),
    'feature2': np.random.random(number_of_samples),
    'class':    np.random.binomial(2, 0.1, size=number_of_samples), 
    },columns=['feature1','feature2','class'])

print(frame)

如您所见，训练集是不平衡的（8个样本的等级为0，而只有2个样本的等级为1）。我想对训练集进行过度采样。具体来说，我想复制第1类的训练样本，以便平衡训练集（即，第0类的样本数与第1类的样本数大致相同）。我该怎么办？

理想情况下，我想要一个可以推广到多类设置的解决方案（即，类列中的整数可能大于1）。

Answer 1

您可以找到一个小组的最大人数

max_size = frame['class'].value_counts().max()

在您的示例中，该值等于8。对于每个组，您都可以使用替换max_size - len(group_size)元素进行采样。这样，如果将它们连接到原始DataFrame，它们的大小将相同，并且将保留原始行。

lst = [frame]
for class_index, group in frame.groupby('class'):
    lst.append(group.sample(max_size-len(group), replace=True))
frame_new = pd.concat(lst)

您可以使用它max_size-len(group)，也可以添加一些噪音，因为这会使所有组的大小相等。