熊猫的分层样品
问题内容：
我有一个熊猫DataFrame，其外观大致如下：
cli_id | X1 | X2 | X3 | ... | Xn | Y |
----------------------------------------
123 | 1 | A | XX | ... | 4 | 0.1 |
456 | 2 | B | XY | ... | 5 | 0.2 |
789 | 1 | B | XY | ... | 5 | 0.3 |
101 | 2 | A | XX | ... | 4 | 0.1 |
...
我有客户端ID，很少有分类属性，Y是事件的概率，其值从0到1乘以0.1。
我需要在每组（大小为10倍）的Y大小为200的情况下抽取分层样本
在分为训练/测试时，我经常使用它来抽取分层样本：
def stratifiedSplit(X,y,size):
sss = StratifiedShuffleSplit(y, n_iter=1, test_size=size, random_state=0)
for train_index, test_index in sss:
X_train, X_test = X.iloc[train_index], X.iloc[test_index]
y_train, y_test = y.iloc[train_index], y.iloc[test_index]
return X_train, X_test, y_train, y_test
但在这种情况下，我不知道如何修改它。
问题答案：
我不确定您是否是这个意思：
strats = []
for k in range(11):
y_val = k*0.1
dummy_df = your_df[your_df['Y'] == y_val]
stats.append( dummy_df.sample(200) )
这将使虚拟数据帧仅包含所需的Y值，然后取样200。
确定，因此您需要不同的块以具有相同的结构。我想这有点难，这是我的做法：
首先，我将得到如下所示的直方图X1：
hist, edges = np.histogram(your_df['X1'], bins=np.linespace(min_x, max_x, nbins))
我们现在有了一个带有nbins垃圾箱的直方图。
现在的策略是根据行的值绘制一定数量的行X1。我们将从具有更多观察结果的容器中获取更多信息，而从具有更少观察值的容器中获取更少信息，从而X保留的结构。
特别是，每个垃圾箱的相对贡献应为：
rel = [float(i) / sum(hist) for i in hist]
这会像 [0.1, 0.2, 0.1, 0.3, 0.3]
如果需要200个样本，则需要绘制：
draws_in_bin = [int(i*200) for i in rel]
现在我们知道从每个箱中抽取多少个观测值：
strats = []
for k in range(11):
y_val = k*0.1
#get a dataframe for every value of Y
dummy_df = your_df[your_df['Y'] == y_val]
bin_strat = []
for left_edge, right_edge, n_draws in zip(edges[:-1], edges[1:], draws_in_bin):
bin_df = dummy_df[ (dummy_df['X1']> left_edge)
& (dummy_df['X1']< right_edge) ]
bin_strat.append(bin_df.sample(n_draws))
# this takes the right number of draws out
# of the X1 bin where we currently are
# Note that every element of bin_strat is a dataframe
# with a number of entries that corresponds to the
# structure of draws_in_bin
#
#concatenate the dataframes for every bin and append to the list
strats.append( pd.concat(bin_strat) )
