Образец двоичного файла

У меня есть данные, состоящие из класса (X) и некоторого двоичного кода (Y). Я хотел бы уравнять размеры классов, увеличив выборку меньших классов. Например, если я начну с:

Df_01 = pd.DataFrame({'X' : [1,1,1,1,1,1,1,2,2],
                      'Y1': [1,1,1,1,1,0,0,0,1],
                      'Y2': [0,0,0,0,0,1,0,0,0]})

Тогда я бы хотел получить:

Df_02 = pd.DataFrame({'X' : [1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,2],
                      'Y1': [1,1,1,1,1,0,0,0,1,0,1,0,1,0,1,0],
                      'Y2': [0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0]})

Я пытался это сделать:

# Sort the data by class
Ma_01 = Df_01.groupby('X')
Di_01 = {}
for name, group in Ma_01:
    Di_01[str(name)] = group

# Size of each class
Se_01 = Df_01.groupby('X').size()

# Size of the biggest class
In_Bi = max(Se_01)

# How much over sampling would equalise the class sizes?
Se_Ra =  In_Bi / Se_01
Di_Ra =  Se_Ra.to_dict()

Но когда я пытаюсь:

# Copy each dataframe
Di_03 = {}
for x in Di_01:
    for y in range(int(Di_Ra[int(x)])):
        if not Di_03:
            Di_03[x] = Di_01[x]
        else:
            Di_03[x] = Di_03[x] .append(Di_01[x])

# Concatonate the dictionary to a single dataframe
df_03 = pd.concat(Di_03.values(), ignore_index=True)

я получил

KeyError: '2'
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
0
0
122
1

Ответы 1

Спасибо, что нашел дубликат Мэтью Стробриджа! Ответ Айхана на оригинальные работы по моим данным:

max_size = Df_01['X'].value_counts().max()

lst = [Df_01]

for class_index, group in Df_01.groupby('X'):
    lst.append(group.sample(max_size-len(group), replace=True))

Df_03 = pd.concat(lst)

Как упоминает Айхан в оригинале, я должен "возможно добавить немного шума". Это связано с тем, что данные с избыточной выборкой могут быть очень повторяющимися, и это приводит к тому, что инструменты машинного обучения не соответствуют данным с избыточной выборкой. Я бы использовал SMOTE для добавления шума, но я не думаю, что это работает для двоичных файлов. Я посмотрю, смогу ли я поменять местами значения внутри классов.

R. Cox 20.11.2018 14:19

Другие вопросы по теме