前言
训练模型之前一般需要把数据集拆分为训练集和测试集,使用python代码如何拆分的关键就是如何更方便的选择出自变量X和因变量Y。
加载数据
# 导入第三方模块
import pandas as pd
# 读入数据
df = pd.read_csv(r'splitfeatures.csv')
df.head()
如何选择出X和Y
- 最简单的方式一个一个选择
X = df[['age','sex','income','profession']]
y = df['is_buy']
- 用iloc和loc选择
X1 = df.iloc[:,[0,1,2,4]]
y1 = df.iloc[:,[3]]
X2 = df.loc[:,['age','sex','income','profession']]
y2 = df.loc[:,['is_buy']]
- 用drop选择
X3 = df.drop(['is_buy'],axis=1)
y3 = df.is_buy
- 使用dataframe的colunms方法
col = df.columns[[0,1,2,4]]
X4 = df.loc[:,col]
X5 = df.iloc[:, df.columns != 'is_buy']
y5 = df.iloc[:, df.columns == 'is_buy']
使用model_selection拆分数据集
from sklearn import model_selection
# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size = 0.2, random_state = 1234)
后记
看完上面的内容,应该对拆分数据集有了一个基本认识。下面写一个较为完整的案例:
- 引入必要的库
在开始之前,我们需要引入一些必要的Python库,包括numpy和sklearn。Numpy库用于处理数组和矩阵,而sklearn库则提供了数据集拆分的函数。
import numpy as np
from sklearn.model_selection import train_test_split
- 加载数据集
首先,我们需要加载我们的数据集。这里以一个简单的鸢尾花数据集为例。
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
- 数据集拆分
使用sklearn库的train_test_split函数可以很方便地拆分数据集。该函数会将数据集按一定的比例拆分为训练集和测试集。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
这里的test_size参数表示要分割测试集所占的比例,通常约定为0.2或0.3。而random_state参数用于设置随机种子,保证每次运行代码时得到的拆分结果是相同的。
- 拆分结果的验证
在完成数据集拆分后,我们可以验证拆分的结果是否正确。这可以通过打印训练集和测试集的长度来实现。
print("训练集长度:", len(X_train))
print("测试集长度:", len(X_test))
- 拆分结果的应用
最后,我们可以将拆分后的数据集用于模型的训练和测试。
# 在训练集上训练模型
model.fit(X_train, y_train)
# 在测试集上测试模型性能
accuracy = model.score(X_test, y_test)
print("模型准确率:", accuracy)
通过使用sklearn库的train_test_split函数,我们可以很方便地将数据集拆分为训练集和测试集。同时,我们还提到了调整拆分比例和设置随机种子的一些技巧。希望这些技巧能帮助你更好地进行模型训练和测试。