sklearn.utils.resample?
sklearn.utils.resample(*arrays, **options)
以一致的方式重新采樣數組或稀疏矩陣
默認策略實現引導過程的一個步驟
| 參數 | 說明 |
|---|---|
| *arrays | sequence of indexable data-structures 可索引的數據結構可以是數組，列表，數據框或具有一致的第一維的稀疏稀疏矩陣。 |
| 返回值 | 說明 |
|---|---|
| resampled_arrays | sequence of indexable data-structures 集合的重新采樣序列。 原始陣列不受影響。 |
| 其他參數 | 說明 |
|---|---|
| replace | boolean, True by default 實現替換的重采樣。 如果為False，則將實現（切片）隨機排列。 |
| n_samples | int, None by default 要生成的樣本數。 如果為“無”，則會自動設置為數組的第一維。 如果replace為False，則它不應大于數組的長度。 |
| random_state | int, RandomState instance or None, optional (default=None) 確定用于對數據進行混排的隨機數生成。 在多個函數調用中傳遞可重復的結果。 請參閱詞匯表。 |
| stratify | array-like or None (default=None) 如果不為None，則以分層的方式分割數據，并將其用作類標簽。 |
另見:
示例:
可以在同一運行中混合使用稀疏數組和密集數組：
>>> X = np.array([[1., 0.], [2., 1.], [0., 0.]])
>>> y = np.array([0, 1, 2])
>>> from scipy.sparse import coo_matrix
>>> X_sparse = coo_matrix(X)
>>> from sklearn.utils import resample
>>> X, X_sparse, y = resample(X, X_sparse, y, random_state=0)
>>> X
array([[1., 0.],
[2., 1.],
[1., 0.]])
>>> X_sparse
<3x2 sparse matrix of type '<... 'numpy.float64'>'
with 4 stored elements in Compressed Sparse Row format>
>>> X_sparse.toarray()
array([[1., 0.],
[2., 1.],
[1., 0.]])
>>> y
array([0, 1, 0])
>>> resample(y, n_samples=2, random_state=0)
array([0, 1])
使用分層的例子:
>>> y = [0, 0, 1, 1, 1, 1, 1, 1, 1]
>>> resample(y, n_samples=5, replace=False, stratify=y,
... random_state=0)
[1, 1, 1, 0, 1]