数据集划分——train_test_split函数使用说明

当我们拿到数据集时，首先需要对数据集进行划分训练集和测试集，sklearn提供了相应的函数供我们使用

一、讲解

快速随机划分数据集，可自定义比例进行划分训练集和测试集

二、官网API

sklearn.model_selection.train_test_split(*arrays, test_size=None, train_size=None, random_state=None, shuffle=True, stratify=None)

导包：from sklearn.model_selection import train_test_split

为了方便说明，这里以一个具体的案例进行分析
织物起球等级评定，已知织物起球个数N、织物起球总面积S、织物起球最大面积Max_s、织物起球平均面积Aver_s、对比度C、光学体积V这六个特征参数来确定最终的织物起球等级Grade

说白了：六个特征（N、S、Max_s、Aver_s、C、V），来确定最终的等级（Grade）
数据集可以自己简单整个，csv格式即可，我这里使用的是6个自变量X和1个因变量Y
在这里插入图片描述

参数：

①*arrays

传入因变量和自变量
这里的因变量为六个特征（N、S、Max_s、Aver_s、C、V）
自变量为最终评定的等级（Grade）

具体官网详情如下：
在这里插入图片描述

②test_size

若给该参数传入float浮点数，则范围为[0.0,1.0]，表示测试集的比例
若给该参数传入int整型数，则表示测试集样本的具体数量
若为None，则设置为train_size参数的补数形式

若该test_size参数和train_size参数的值均为None，则该test_size设置为0.25，按float浮点型对待

具体官网详情如下：
在这里插入图片描述

③train_size

若给该参数传入float浮点数，则范围为[0.0,1.0]，表示训练集的比例
若给该参数传入int整型数，则表示训练集样本的具体数量
若为None，则设置为test_size参数的补数形式
该参数跟test_size类似

具体官网详情如下：
在这里插入图片描述

④random_state

随机种子random_state，如果要是为了对比，需要控制变量的话，这里的随机种子最好设置为同一个整型数

具体官网详情如下：
在这里插入图片描述

⑤shuffle

是否在分割前对数据进行洗牌
如果 shuffle=False 则 stratify 必须为 None

具体官网详情如下：
在这里插入图片描述

⑥stratify

如果不是 “None”，数据将以分层方式分割，并以此作为类别标签

具体官网详情如下：
在这里插入图片描述

返回值：

splitting

返回一个包含训练和测试分割之后的列表

具体官网详情如下：
在这里插入图片描述

三、项目实战

①导包

若导入过程报错，pip安装即可

import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.model_selection import train_test_split

②加载数据集

数据集可以自己简单整个，csv格式即可，我这里使用的是6个自变量X和1个因变量Y
在这里插入图片描述
通过pandas读入文本数据集，展示前五行数据

fiber = pd.read_csv("./fiber.csv")
fiber.head(5) #展示下头5条数据信息

在这里插入图片描述

③划分数据集

前六列是自变量X，最后一列是因变量Y

参数：
test_size：测试集数据所占比例，这里是0.25，表示测试集占总数据集的25%
train_size：训练集数据所占比例，这里是0.75，表示训练集占总数据集的75%
random_state：随机种子，为了控制变量
shuffle：是否将数据进行打乱
因为我这里的数据集共48个，训练集0.75，测试集0.25，即训练集36个，测试集12个

返回值：
依此返回四个list，分别为训练集的自变量、测试集的自变量、训练集的因变量和测试集的因变量，分别通过X_train, X_test, y_train, y_test进行接收

X = fiber.drop(['Grade'], axis=1)
Y = fiber['Grade']

X_train, X_test, y_train, y_test = train_test_split(X,Y,train_size=0.75,test_size=0.25,random_state=42,shuffle=True)

print(X_train.shape) #(36,6)
print(y_train.shape) #(36,)
print(X_test.shape) #(12,6)
print(y_test.shape) #(12,)

根据返回的四个list的shape可以看到数据集已经成功按自定义需求划分

⑤完整代码

import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.model_selection import train_test_split

fiber = pd.read_csv("./fiber.csv")
fiber.head(5) #展示下头5条数据信息

X = fiber.drop(['Grade'], axis=1)
Y = fiber['Grade']

X_train, X_test, y_train, y_test = train_test_split(X,Y,train_size=0.75,test_size=0.25,random_state=42,shuffle=True)

print(X_train.shape) #(36,6)
print(y_train.shape) #(36,)
print(X_test.shape) #(12,6)
print(y_test.shape) #(12,)