Как распределять данные в поездах и наборы тестов случайным образом?

У меня есть большой набор данных и вы хотите разделить его на обучение (50%) и набор тестов (50%).

Скажем, у меня есть 100 примеров, которые хранят входной файл, каждая строка содержит один пример. Мне нужно выбрать 50 линий в качестве набора для обучения и набора тестов на 50 строк.

Моя идея сначала генерирует случайный список длиной 100 (значения от 1 до 100), затем используйте первые 50 элементов в качестве номера строки для 50 примеров обучения. То же самое с набором тестов.

Это легко можно было бы сделать в Matlab

fid=fopen(datafile);
C = textscan(fid, '%s','delimiter', '\n');
plist=randperm(100);
for i=1:50
    trainstring = C{plist(i)};
    fprintf(train_file,trainstring);
end
for i=51:100
    teststring = C{plist(i)};
    fprintf(test_file,teststring);
end

Но как я могу выполнить эту функцию в Python? Я новичок в Python и не знаю, могу ли я прочитать весь файл в массиве и выбрать определенные строки.

Ответ 1

Это можно сделать аналогично в Python, используя списки (обратите внимание, что весь список перетасован на место).

import random

with open("datafile.txt", "rb") as f:
    data = f.read().split('\n')

random.shuffle(data)

train_data = data[:50]
test_data = data[50:]

Ответ 2

from sklearn.cross_validation import train_test_split
import numpy

with open("datafile.txt", "rb") as f:
   data = f.read().split('\n')
   data = numpy.array(data)  #convert array to numpy type array

   x_train ,x_test = train_test_split(data,test_size=0.5)       #test_size=0.5(whole_data)

Ответ 3

Вы также можете использовать numpy. Когда ваши данные хранятся в numpy.ndarray:

import numpy as np
from random import sample
l = 100 #length of data 
f = 50  #number of elements you need
indices = sample(range(l),f)

train_data = data[indices]
test_data = np.delete(data,indices)

Ответ 4

Чтобы ответить на вопрос @desmond.carros, я изменил наилучший ответ следующим образом:

 import random
 file=open("datafile.txt","r")
 data=list()
 for line in file:
    data.append(line.split(#your preferred delimiter))
 file.close()
 random.shuffle(data)
 train_data = data[:int((len(data)+1)*.80)] #Remaining 80% to training set
 test_data = data[int(len(data)*.80+1):] #Splits 20% data to test set

Код разбивает весь набор данных на 80% поезда и 20% тестовых данных

Ответ 5

Ниже приводятся более общие k-кратные кросс-валидации. Ваше 50-50 разбиение будет достигнуто, сделав k=2 ниже, все, что вам нужно будет, - выбрать один из двух произведенных разделов. Примечание. Я не тестировал код, но я уверен, что он должен работать.

import random, math

def k_fold(myfile, myseed=11109, k=3):
    # Load data
    data = open(myfile).readlines()

    # Shuffle input
    random.seed=myseed
    random.shuffle(data)

    # Compute partition size given input k
    len_part=int(math.ceil(len(data)/float(k)))

    # Create one partition per fold
    train={}
    test={}
    for ii in range(k):
        test[ii]  = data[ii*len_part:ii*len_part+len_part]
        train[ii] = [jj for jj in data if jj not in test[ii]]

    return train, test

Ответ 6

sklearn.cross_validation устарел с версии 0.18, вместо этого вы должны использовать sklearn.model_selection как показано ниже

from sklearn.model_selection import train_test_split
import numpy

with open("datafile.txt", "rb") as f:
   data = f.read().split('\n')
   data = numpy.array(data)  #convert array to numpy type array

   x_train ,x_test = train_test_split(data,test_size=0.5)       #test_size=0.5(whole_data)

Ответ 7

Ну, в первую очередь, в Python нет такой вещи, как "массивы", Python использует списки, и это действительно имеет значение, я предлагаю вам использовать NumPy, что является довольно хорошей библиотекой для Python, и это добавляет много функций, подобных Matlab. Вы можете начать здесь Numpy для пользователей Matlab

Ответ 8

Вы можете попробовать этот подход

import pandas
import sklearn
csv = pandas.read_csv('data.csv')
train, test = sklearn.cross_validation.train_test_split(csv, train_size = 0.5)