数据分析：使用Imblearn处理不平衡数据（过采样、欠采样）

现实环境中，采集的数据（建模样本）往往是比例失衡的。比如网贷数据，逾期人数的比例是极低的（千分之几的比例）。对于这样的数据很难建立表现好的模型。好在Python有Imblearn包，它就是为处理数据比例失衡而生的。

一.安装Imblearn包

pip3 install imblearn

二.过采样

正样本严重不足，那就补充正样本。使用imblearn包中的over_sampling进行过采样有如下几种方法。

1.随机过采样

#使用make_classification生成样本数据
from sklearn.datasets import make_classification
X, y = make_classification(n_samples=5000, n_features=2, n_informative=2,
                            n_redundant=0, n_repeated=0, n_classes=3,
                            n_clusters_per_class=1,
                           weights=[0.01, 0.05, 0.94],
                            class_sep=0.8, random_state=0)

#查看各个标签的样本量
from collections import Counter
Counter(y)

#输出样本结果
Counter({2: 4674, 1: 262, 0: 64})

可以看出样本的三个标签中，1，2的样本量极少，样本失衡。下面使用imblearn进行过采样。

#使用imblearn进行随机过采样
from imblearn.over_sampling import RandomOverSampler
ros = RandomOverSampler(random_state=0)
X_resampled, y_resampled = ros.fit_resample(X, y)

#查看结果
Counter(y_resampled)

#过采样后样本结果
Counter({2: 4674, 1: 4674, 0: 4674})

过采样后，三个标签的样本比例变为1:1:1。

2.SMOTE和ADASYN

#SMOTE过采样
from imblearn.over_sampling import SMOTE, ADASYN
X_resampled, y_resampled = SMOTE().fit_resample(X, y)
print(sorted(Counter(y_resampled).items()))

#ADASYN过采样
X_resampled, y_resampled = ADASYN().fit_resample(X, y)
print(sorted(Counter(y_resampled).items()))

#两种过采样的结果
[(0, 4674), (1, 4674), (2, 4674)]
[(0, 4673), (1, 4662), (2, 4674)]

这两种方法的差别如下：

SMOTE: 对于少数类样本a, 随机选择一个最近邻的样本b, 然后从a与b的连线上随机选取一个点c作为新的少数类样本;

ADASYN: 关注的是在那些基于K近邻分类器被错误分类的原始样本附近生成新的少数类样本；

三.欠采样

过采样是补充那些数据量少的样本，使得不同标签的样本量达到均衡。而欠采样是将多的样本进行裁剪，已达到样本的均衡。使用过采样，总样本量增多。欠采样则是变少。欠采样同样有几种方法；

1.Prototype generation

ClusterCentroids使用K-means来减少样本数量。 因此，每个类将用K-means方法的质心而不是原始样本合成。 

ClusterCentroids提供了一种有效的方式来表示数据集群的样本数量减少 。但是，此方法要求将数据分组到群集中。 另外，应该设置质心的数量，使得欠采样的簇代表原始的簇。

#欠采样
from imblearn.under_sampling import ClusterCentroids
cc = ClusterCentroids(random_state=0)
X_resampled, y_resampled = cc.fit_resample(X, y)
print(sorted(Counter(y_resampled).items()))

#结果
[(0, 64), (1, 64), (2, 64)]

不同于过采样后，各个标签样本量为4662，欠采样后的各个标签数据量为64。

2.随机欠采样

RandomUnderSampler是一种快速简便的方法，通过随机选择目标类的数据子集来平衡数据。

#随机欠采样
from imblearn.under_sampling import RandomUnderSampler
rus = RandomUnderSampler(random_state=0)
X_resampled, y_resampled = rus.fit_resample(X, y)
print(sorted(Counter(y_resampled).items()))

#结果
[(0, 64), (1, 64), (2, 64)]

三.组合采样

我们之前介绍过SMOTE，并表明这种方法可以通过在边际异常值和内点之间插入新点来生成噪声样本。 这个问题可以通过清除过度采样产生的空间来解决。

用于组合过采样和欠采样方法的两个工具是：SMOTETomek 和SMOTEENN。

SMOTEENN倾向于清除比SMOTETomek更多的噪声样本。

#两种组合采样的方法
from collections import Counter
from sklearn.datasets import make_classification
X, y = make_classification(n_samples=5000, n_features=2, n_informative=2,
                           n_redundant=0, n_repeated=0, n_classes=3,
                           n_clusters_per_class=1,
                           weights=[0.01, 0.05, 0.94],
                           class_sep=0.8, random_state=0)
print(sorted(Counter(y).items()))

from imblearn.combine import SMOTEENN
smote_enn = SMOTEENN(random_state=0)
X_resampled, y_resampled = smote_enn.fit_resample(X, y)
print(sorted(Counter(y_resampled).items()))

from imblearn.combine import SMOTETomek
smote_tomek = SMOTETomek(random_state=0)
X_resampled, y_resampled = smote_tomek.fit_resample(X, y)
print(sorted(Counter(y_resampled).items()))

#原始数据
[(0, 64), (1, 262), (2, 4674)]

#SMOTEENN采样后的数据
[(0, 4060), (1, 4381), (2, 3502)]

#SMOTETomek采样后的数据
[(0, 4499), (1, 4566), (2, 4413)]

imblearn官网地址：

https://imbalanced-learn.org/en/stable/introduction.html