Come posso creare test e addestrare campioni da un frame di dati con i panda?

Ho un set di dati abbastanza grande sotto forma di un frame di dati e mi chiedevo come avrei potuto dividere il frame di dati in due campioni casuali (80% e 20%) per addestramento e test.

Grazie!

Vorrei solo usare numpy randn:

In [11]: df = pd.DataFrame(np.random.randn(100, 2))

In [12]: msk = np.random.rand(len(df)) < 0.8

In [13]: train = df[msk]

In [14]: test = df[~msk]

E solo per vedere che ha funzionato:

In [15]: len(test)
Out[15]: 21

In [16]: len(train)
Out[16]: 79

scikit learn'strain_test_split è buono.

from sklearn.model_selection import train_test_split

train, test = train_test_split(df, test_size=0.2)

Anche il campione casuale di Panda funzionerà

train=df.sample(frac=0.8,random_state=200) #random state is a seed value
test=df.drop(train.index)

Vorrei usare il training_test_split di scikit-learn e generarlo dall'indice

from sklearn.model_selection import train_test_split


y = df.pop('output')
X = df

X_train,X_test,y_train,y_test = train_test_split(X.index,y,test_size=0.2)
X.iloc[X_train] # return dataframe train

Esistono molti modi per creare un treno / test e persino campioni di validazione.

Caso 1: modo classico train_test_splitsenza opzioni:

from sklearn.model_selection import train_test_split
train, test = train_test_split(df, test_size=0.3)

Caso 2: caso di set di dati molto piccoli (<500 righe): per ottenere risultati per tutte le linee con questa convalida incrociata. Alla fine, avrai una previsione per ogni linea del tuo set di allenamento disponibile.

from sklearn.model_selection import KFold
kf = KFold(n_splits=10, random_state=0)
y_hat_all = []
for train_index, test_index in kf.split(X, y):
    reg = RandomForestRegressor(n_estimators=50, random_state=0)
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    clf = reg.fit(X_train, y_train)
    y_hat = clf.predict(X_test)
    y_hat_all.append(y_hat)

Caso 3a: set di dati non bilanciati ai fini della classificazione. Di seguito al caso 1, ecco la soluzione equivalente:

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, test_size=0.3)

Caso 3b: set di dati non bilanciati ai fini della classificazione. Di seguito al caso 2, ecco la soluzione equivalente:

from sklearn.model_selection import StratifiedKFold
kf = StratifiedKFold(n_splits=10, random_state=0)
y_hat_all = []
for train_index, test_index in kf.split(X, y):
    reg = RandomForestRegressor(n_estimators=50, random_state=0)
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    clf = reg.fit(X_train, y_train)
    y_hat = clf.predict(X_test)
    y_hat_all.append(y_hat)

Caso 4: è necessario creare un treno / test / set di validazione su big data per ottimizzare gli iperparametri (60% di treno, 20% di test e 20% di val).

from sklearn.model_selection import train_test_split
X_train, X_test_val, y_train, y_test_val = train_test_split(X, y, test_size=0.6)
X_test, X_val, y_test, y_val = train_test_split(X_test_val, y_test_val, stratify=y, test_size=0.5)

È possibile utilizzare il codice seguente per creare campioni di prova e di addestramento:

from sklearn.model_selection import train_test_split
trainingSet, testSet = train_test_split(df, test_size=0.2)

Le dimensioni del test possono variare in base alla percentuale di dati che si desidera inserire nel set di dati del test e del training.

Ci sono molte risposte valide. Aggiungerne uno in più al gruppo. da sklearn.cross_validation import train_test_split

#gets a random 80% of the entire set
X_train = X.sample(frac=0.8, random_state=1)
#gets the left out portion of the dataset
X_test = X.loc[~df_model.index.isin(X_train.index)]

Puoi anche considerare la divisione stratificata in set di addestramento e test. La divisione Starificata genera anche addestramento e test impostati casualmente ma in modo tale da preservare le proporzioni di classe originali. In questo modo i set di training e test riflettono meglio le proprietà del set di dati originale.

import numpy as np  

def get_train_test_inds(y,train_proportion=0.7):
    '''Generates indices, making random stratified split into training set and testing sets
    with proportions train_proportion and (1-train_proportion) of initial sample.
    y is any iterable indicating classes of each observation in the sample.
    Initial proportions of classes inside training and 
    testing sets are preserved (stratified sampling).
    '''

    y=np.array(y)
    train_inds = np.zeros(len(y),dtype=bool)
    test_inds = np.zeros(len(y),dtype=bool)
    values = np.unique(y)
    for value in values:
        value_inds = np.nonzero(y==value)[0]
        np.random.shuffle(value_inds)
        n = int(train_proportion*len(value_inds))

        train_inds[value_inds[:n]]=True
        test_inds[value_inds[n:]]=True

    return train_inds,test_inds

df [train_inds] e df [test_inds] offrono i set di addestramento e test del DataFrame df originale.

Se hai bisogno di dividere i tuoi dati rispetto alla colonna lables nel tuo set di dati puoi usare questo:

def split_to_train_test(df, label_column, train_frac=0.8):
    train_df, test_df = pd.DataFrame(), pd.DataFrame()
    labels = df[label_column].unique()
    for lbl in labels:
        lbl_df = df[df[label_column] == lbl]
        lbl_train_df = lbl_df.sample(frac=train_frac)
        lbl_test_df = lbl_df.drop(lbl_train_df.index)
        print '\n%s:\n---------\ntotal:%d\ntrain_df:%d\ntest_df:%d' % (lbl, len(lbl_df), len(lbl_train_df), len(lbl_test_df))
        train_df = train_df.append(lbl_train_df)
        test_df = test_df.append(lbl_test_df)

    return train_df, test_df

e usalo:

train, test = split_to_train_test(data, 'class', 0.7)

puoi anche passare random_state se vuoi controllare la casualità divisa o usare un seme casuale globale.

import pandas as pd

from sklearn.model_selection import train_test_split

datafile_name = 'path_to_data_file'

data = pd.read_csv(datafile_name)

target_attribute = data['column_name']

X_train, X_test, y_train, y_test = train_test_split(data, target_attribute, test_size=0.8)

Puoi usare ~ (operatore tilde) per escludere le righe campionate usando df.sample (), lasciando che solo i panda gestiscano il campionamento e il filtraggio degli indici, per ottenere due set.

train_df = df.sample(frac=0.8, random_state=100)
test_df = df[~df.index.isin(train_df.index)]

Questo è quello che ho scritto quando avevo bisogno di dividere un DataFrame. Ho preso in considerazione l'utilizzo dell'approccio di Andy sopra, ma non mi è piaciuto non poter controllare esattamente la dimensione dei set di dati (cioè, a volte sarebbe 79, a volte 81, ecc.).

def make_sets(data_df, test_portion):
    import random as rnd

    tot_ix = range(len(data_df))
    test_ix = sort(rnd.sample(tot_ix, int(test_portion * len(data_df))))
    train_ix = list(set(tot_ix) ^ set(test_ix))

    test_df = data_df.ix[test_ix]
    train_df = data_df.ix[train_ix]

    return train_df, test_df


train_df, test_df = make_sets(data_df, 0.2)
test_df.head()

Basta selezionare la riga di intervallo da df in questo modo

row_count = df.shape[0]
split_point = int(row_count*1/5)
test_data, train_data = df[:split_point], df[split_point:]

Ci sono molte ottime risposte sopra, quindi voglio solo aggiungere un altro esempio nel caso in cui si desideri specificare il numero esatto di campioni per il treno e i set di test utilizzando solo la numpylibreria.

# set the random seed for the reproducibility
np.random.seed(17)

# e.g. number of samples for the training set is 1000
n_train = 1000

# shuffle the indexes
shuffled_indexes = np.arange(len(data_df))
np.random.shuffle(shuffled_indexes)

# use 'n_train' samples for training and the rest for testing
train_ids = shuffled_indexes[:n_train]
test_ids = shuffled_indexes[n_train:]

train_data = data_df.iloc[train_ids]
train_labels = labels_df.iloc[train_ids]

test_data = data_df.iloc[test_ids]
test_labels = data_df.iloc[test_ids]

Per dividere in più di due classi come treno, test e validazione, si può fare:

probs = np.random.rand(len(df))
training_mask = probs < 0.7
test_mask = (probs>=0.7) & (probs < 0.85)
validatoin_mask = probs >= 0.85


df_training = df[training_mask]
df_test = df[test_mask]
df_validation = df[validatoin_mask]

Questo metterà circa il 70% dei dati in formazione, il 15% in prova e il 15% in validazione.

è necessario convertire i frame di dati Panda in array numpy e quindi convertire l'array numpy in frame di dati

 import pandas as pd
df=pd.read_csv('/content/drive/My Drive/snippet.csv', sep='\t')
from sklearn.model_selection import train_test_split

train, test = train_test_split(df, test_size=0.2)
train1=pd.DataFrame(train)
test1=pd.DataFrame(test)
train1.to_csv('/content/drive/My Drive/train.csv',sep="\t",header=None, encoding='utf-8', index = False)
test1.to_csv('/content/drive/My Drive/test.csv',sep="\t",header=None, encoding='utf-8', index = False)

Se il tuo desiderio è quello di avere un frame di dati in entrata e due di frame di dati in uscita (non array intorpiditi), questo dovrebbe fare il trucco:

def split_data(df, train_perc = 0.8):

   df['train'] = np.random.rand(len(df)) < train_perc

   train = df[df.train == 1]

   test = df[df.train == 0]

   split_data ={'train': train, 'test': test}

   return split_data

È possibile utilizzare la funzione df.as_matrix () e creare Numpy-array e passarlo.

Y = df.pop()
X = df.as_matrix()
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size = 0.2)
model.fit(x_train, y_train)
model.test(x_test)

Un po 'più elegante per i miei gusti è quello di creare una colonna casuale e quindi dividerla, in questo modo possiamo ottenere una divisione che soddisfi le nostre esigenze e sarà casuale.

def split_df(df, p=[0.8, 0.2]):
import numpy as np
df["rand"]=np.random.choice(len(p), len(df), p=p)
r = [df[df["rand"]==val] for val in df["rand"].unique()]
return r

shuffle = np.random.permutation(len(df))
test_size = int(len(df) * 0.2)
test_aux = shuffle[:test_size]
train_aux = shuffle[test_size:]
TRAIN_DF =df.iloc[train_aux]
TEST_DF = df.iloc[test_aux]

Non è necessario convertire in numpy. Basta usare un panda df per fare la divisione e restituirà un panda df.

from sklearn.model_selection import train_test_split

train, test = train_test_split(df, test_size=0.2)

E se vuoi dividere x da y

X_train, X_test, y_train, y_test = train_test_split(df[list_of_x_cols], df[y_col],test_size=0.2)

Penso che sia necessario anche ottenere una copia, non una porzione di frame di dati, se si desidera aggiungere colonne in un secondo momento.

msk = np.random.rand(len(df)) < 0.8
train, test = df[msk].copy(deep = True), df[~msk].copy(deep = True)

Cosa ne pensi di questo? df è il mio frame di dati

total_size=len(df)

train_size=math.floor(0.66*total_size) (2/3 part of my dataset)

#training dataset
train=df.head(train_size)
#test dataset
test=df.tail(len(df) -train_size)