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'






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.