Como crio amostras de teste e treinamento de um quadro de dados com pandas?

Eu tenho um conjunto de dados bastante grande na forma de um quadro de dados e queria saber como seria capaz de dividir o quadro de dados em duas amostras aleatórias (80% e 20%) para treinamento e teste.

Obrigado!

Eu usaria apenas numpy's randn:

In [11]: df = pd.DataFrame(np.random.randn(100, 2))

In [12]: msk = np.random.rand(len(df)) < 0.8

In [13]: train = df[msk]

In [14]: test = df[~msk]

E só para ver isso funcionou:

In [15]: len(test)
Out[15]: 21

In [16]: len(train)
Out[16]: 79

o scikit learn'strain_test_split é bom.

from sklearn.model_selection import train_test_split

train, test = train_test_split(df, test_size=0.2)

A amostra aleatória do Pandas também funcionará

train=df.sample(frac=0.8,random_state=200) #random state is a seed value
test=df.drop(train.index)

Eu usaria o training_test_split do scikit-learn e o geraria a partir do índice

from sklearn.model_selection import train_test_split


y = df.pop('output')
X = df

X_train,X_test,y_train,y_test = train_test_split(X.index,y,test_size=0.2)
X.iloc[X_train] # return dataframe train

Existem várias maneiras de criar um trem / teste e até amostras de validação.

Caso 1: maneira clássica, train_test_splitsem opções:

from sklearn.model_selection import train_test_split
train, test = train_test_split(df, test_size=0.3)

Caso 2: caso de conjuntos de dados muito pequenos (<500 linhas): para obter resultados para todas as suas linhas com essa validação cruzada. No final, você terá uma previsão para cada linha do seu conjunto de treinamento disponível.

from sklearn.model_selection import KFold
kf = KFold(n_splits=10, random_state=0)
y_hat_all = []
for train_index, test_index in kf.split(X, y):
    reg = RandomForestRegressor(n_estimators=50, random_state=0)
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    clf = reg.fit(X_train, y_train)
    y_hat = clf.predict(X_test)
    y_hat_all.append(y_hat)

Caso 3a: Conjuntos de dados desequilibrados para fins de classificação. Seguindo o caso 1, aqui está a solução equivalente:

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, test_size=0.3)

Caso 3b: Conjuntos de dados desequilibrados para fins de classificação. Seguindo o caso 2, aqui está a solução equivalente:

from sklearn.model_selection import StratifiedKFold
kf = StratifiedKFold(n_splits=10, random_state=0)
y_hat_all = []
for train_index, test_index in kf.split(X, y):
    reg = RandomForestRegressor(n_estimators=50, random_state=0)
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    clf = reg.fit(X_train, y_train)
    y_hat = clf.predict(X_test)
    y_hat_all.append(y_hat)

Caso 4: você precisa criar um conjunto de treinamento / teste / validação no big data para ajustar os hiperparâmetros (60% de treinamento, 20% de teste e 20% de val).

from sklearn.model_selection import train_test_split
X_train, X_test_val, y_train, y_test_val = train_test_split(X, y, test_size=0.6)
X_test, X_val, y_test, y_val = train_test_split(X_test_val, y_test_val, stratify=y, test_size=0.5)

Você pode usar o código abaixo para criar amostras de teste e treinamento:

from sklearn.model_selection import train_test_split
trainingSet, testSet = train_test_split(df, test_size=0.2)

O tamanho do teste pode variar dependendo da porcentagem de dados que você deseja colocar no seu teste e treinar o conjunto de dados.

Existem muitas respostas válidas. Adicionando mais um ao grupo. de sklearn.cross_validation import train_test_split

#gets a random 80% of the entire set
X_train = X.sample(frac=0.8, random_state=1)
#gets the left out portion of the dataset
X_test = X.loc[~df_model.index.isin(X_train.index)]

Você também pode considerar a divisão estratificada em conjunto de treinamento e teste. A divisão iniciada também gera um conjunto de treinamento e teste aleatoriamente, mas de maneira que as proporções originais da classe sejam preservadas. Isso faz com que os conjuntos de treinamento e teste reflitam melhor as propriedades do conjunto de dados original.

import numpy as np  

def get_train_test_inds(y,train_proportion=0.7):
    '''Generates indices, making random stratified split into training set and testing sets
    with proportions train_proportion and (1-train_proportion) of initial sample.
    y is any iterable indicating classes of each observation in the sample.
    Initial proportions of classes inside training and 
    testing sets are preserved (stratified sampling).
    '''

    y=np.array(y)
    train_inds = np.zeros(len(y),dtype=bool)
    test_inds = np.zeros(len(y),dtype=bool)
    values = np.unique(y)
    for value in values:
        value_inds = np.nonzero(y==value)[0]
        np.random.shuffle(value_inds)
        n = int(train_proportion*len(value_inds))

        train_inds[value_inds[:n]]=True
        test_inds[value_inds[n:]]=True

    return train_inds,test_inds

df [train_inds] e df [test_inds] fornecem os conjuntos de treinamento e teste do seu DataFrame df original.

Se você precisar dividir seus dados com relação à coluna lables no seu conjunto de dados, poderá usar este:

def split_to_train_test(df, label_column, train_frac=0.8):
    train_df, test_df = pd.DataFrame(), pd.DataFrame()
    labels = df[label_column].unique()
    for lbl in labels:
        lbl_df = df[df[label_column] == lbl]
        lbl_train_df = lbl_df.sample(frac=train_frac)
        lbl_test_df = lbl_df.drop(lbl_train_df.index)
        print '\n%s:\n---------\ntotal:%d\ntrain_df:%d\ntest_df:%d' % (lbl, len(lbl_df), len(lbl_train_df), len(lbl_test_df))
        train_df = train_df.append(lbl_train_df)
        test_df = test_df.append(lbl_test_df)

    return train_df, test_df

e use-o:

train, test = split_to_train_test(data, 'class', 0.7)

você também pode passar random_state se desejar controlar a aleatoriedade de divisão ou usar alguma semente aleatória global.

import pandas as pd

from sklearn.model_selection import train_test_split

datafile_name = 'path_to_data_file'

data = pd.read_csv(datafile_name)

target_attribute = data['column_name']

X_train, X_test, y_train, y_test = train_test_split(data, target_attribute, test_size=0.8)

Você pode usar ~ (operador til) para excluir as linhas amostradas usando df.sample (), permitindo que os pandas gerenciem sozinho a amostragem e a filtragem de índices para obter dois conjuntos.

train_df = df.sample(frac=0.8, random_state=100)
test_df = df[~df.index.isin(train_df.index)]

Foi o que escrevi quando precisei dividir um DataFrame. Eu considerei usar a abordagem de Andy acima, mas não gostei de não poder controlar exatamente o tamanho dos conjuntos de dados (ou seja, às vezes seria 79, às vezes 81, etc.).

def make_sets(data_df, test_portion):
    import random as rnd

    tot_ix = range(len(data_df))
    test_ix = sort(rnd.sample(tot_ix, int(test_portion * len(data_df))))
    train_ix = list(set(tot_ix) ^ set(test_ix))

    test_df = data_df.ix[test_ix]
    train_df = data_df.ix[train_ix]

    return train_df, test_df


train_df, test_df = make_sets(data_df, 0.2)
test_df.head()

Basta selecionar a linha do intervalo de df assim

row_count = df.shape[0]
split_point = int(row_count*1/5)
test_data, train_data = df[:split_point], df[split_point:]

Há muitas ótimas respostas acima, então só quero adicionar mais um exemplo, caso você queira especificar o número exato de amostras para os conjuntos de trem e teste usando apenas a numpybiblioteca.

# set the random seed for the reproducibility
np.random.seed(17)

# e.g. number of samples for the training set is 1000
n_train = 1000

# shuffle the indexes
shuffled_indexes = np.arange(len(data_df))
np.random.shuffle(shuffled_indexes)

# use 'n_train' samples for training and the rest for testing
train_ids = shuffled_indexes[:n_train]
test_ids = shuffled_indexes[n_train:]

train_data = data_df.iloc[train_ids]
train_labels = labels_df.iloc[train_ids]

test_data = data_df.iloc[test_ids]
test_labels = data_df.iloc[test_ids]

Para dividir em mais de duas classes, como treinamento, teste e validação, é possível:

probs = np.random.rand(len(df))
training_mask = probs < 0.7
test_mask = (probs>=0.7) & (probs < 0.85)
validatoin_mask = probs >= 0.85


df_training = df[training_mask]
df_test = df[test_mask]
df_validation = df[validatoin_mask]

Isso colocará aproximadamente 70% dos dados em treinamento, 15% em teste e 15% em validação.

você precisa converter o quadro de dados do pandas em matriz numpy e, em seguida, converter a matriz numpy novamente em quadro de dados

 import pandas as pd
df=pd.read_csv('/content/drive/My Drive/snippet.csv', sep='\t')
from sklearn.model_selection import train_test_split

train, test = train_test_split(df, test_size=0.2)
train1=pd.DataFrame(train)
test1=pd.DataFrame(test)
train1.to_csv('/content/drive/My Drive/train.csv',sep="\t",header=None, encoding='utf-8', index = False)
test1.to_csv('/content/drive/My Drive/test.csv',sep="\t",header=None, encoding='utf-8', index = False)

Se seu desejo é ter um quadro de dados dentro e dois quadros de dados fora (não matrizes numpy), isso deve fazer o truque:

def split_data(df, train_perc = 0.8):

   df['train'] = np.random.rand(len(df)) < train_perc

   train = df[df.train == 1]

   test = df[df.train == 0]

   split_data ={'train': train, 'test': test}

   return split_data

Você pode usar a função df.as_matrix () e criar Numpy-array e passá-la.

Y = df.pop()
X = df.as_matrix()
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size = 0.2)
model.fit(x_train, y_train)
model.test(x_test)

Um pouco mais elegante para o meu gosto é criar uma coluna aleatória e depois dividi-la, dessa forma, podemos obter uma divisão que atenda às nossas necessidades e que seja aleatória.

def split_df(df, p=[0.8, 0.2]):
import numpy as np
df["rand"]=np.random.choice(len(p), len(df), p=p)
r = [df[df["rand"]==val] for val in df["rand"].unique()]
return r

shuffle = np.random.permutation(len(df))
test_size = int(len(df) * 0.2)
test_aux = shuffle[:test_size]
train_aux = shuffle[test_size:]
TRAIN_DF =df.iloc[train_aux]
TEST_DF = df.iloc[test_aux]

Não há necessidade de converter para numpy. Basta usar um pandas df para fazer a divisão e ele retornará um pandas df.

from sklearn.model_selection import train_test_split

train, test = train_test_split(df, test_size=0.2)

E se você quiser dividir x de y

X_train, X_test, y_train, y_test = train_test_split(df[list_of_x_cols], df[y_col],test_size=0.2)

Eu acho que você também precisa obter uma cópia e não uma fatia do dataframe, se quiser adicionar colunas mais tarde.

msk = np.random.rand(len(df)) < 0.8
train, test = df[msk].copy(deep = True), df[~msk].copy(deep = True)

Que tal agora? df é meu dataframe

total_size=len(df)

train_size=math.floor(0.66*total_size) (2/3 part of my dataset)

#training dataset
train=df.head(train_size)
#test dataset
test=df.tail(len(df) -train_size)