извлечение равного количества выборок для каждого класса в сценарии несбалансированных выборок

Question

У меня есть 2 класса, A и B. Каждый класс имеет несбалансированное количество выборок друг к другу, скажем, от 500 до класса A и от 1000 до класса B.

Есть ли способ извлечь сбалансированное количество выборок для каждого класса, скажем 300 для классов A и B, используя scikit learn или любую из функций Numpy.

Образцы первые 5 столбцов и этикетки/классов является последней колонке

1 2 3 4 5 1 
2 3 4 2 3 1 
4 0 5 4 3 1 
4 5 9 2 4 2 
5 9 5 3 9 2 

То, что я хотел бы сделать, это иметь равное количество обоих классов в мой последний выбор:

2 3 4 2 3 1 
4 0 5 4 3 1 
4 5 9 2 4 2 
5 9 5 3 9 2 

Answer 1

вы можете использовать sample() метод с тем же значением для параметра n, если вы можете использовать панд

Demo:

In [364]: df1 
Out[364]: 
      a   b   c   d 
0 0.774496 0.852985 0.257568 0.223773 
1 0.630460 0.203675 0.305280 0.965628 
2 0.408746 0.939827 0.801505 0.343216 
3 0.578582 0.541716 0.451810 0.173890 
4 0.210301 0.600485 0.184326 0.035092 
5 0.583564 0.164262 0.958537 0.943357 

In [365]: df2 
Out[365]: 
      a   b   c   d 
0 0.340624 0.755825 0.569149 0.543630 
1 0.004056 0.463891 0.556861 0.778607 
2 0.171046 0.293104 0.317514 0.831424 
3 0.370028 0.566356 0.895919 0.440559 
4 0.148569 0.485086 0.299789 0.274720 
5 0.137273 0.085598 0.874845 0.917356 
6 0.356898 0.781540 0.091851 0.173430 
7 0.495949 0.613337 0.512104 0.137251 

In [366]: df1.sample(n=5) 
Out[366]: 
      a   b   c   d 
3 0.578582 0.541716 0.451810 0.173890 
4 0.210301 0.600485 0.184326 0.035092 
1 0.630460 0.203675 0.305280 0.965628 
0 0.774496 0.852985 0.257568 0.223773 
5 0.583564 0.164262 0.958537 0.943357 

In [367]: df2.sample(n=5) 
Out[367]: 
      a   b   c   d 
2 0.171046 0.293104 0.317514 0.831424 
5 0.137273 0.085598 0.874845 0.917356 
6 0.356898 0.781540 0.091851 0.173430 
3 0.370028 0.566356 0.895919 0.440559 
0 0.340624 0.755825 0.569149 0.543630