Дублирование обучающих примеров для обработки дисбаланса класса в кадре данных pandas

Question

У меня есть DataFrame в пандах, которые содержат обучающие примеры, например:

   feature1  feature2  class
0  0.548814  0.791725      1
1  0.715189  0.528895      0
2  0.602763  0.568045      0
3  0.544883  0.925597      0
4  0.423655  0.071036      0
5  0.645894  0.087129      0
6  0.437587  0.020218      0
7  0.891773  0.832620      1
8  0.963663  0.778157      0
9  0.383442  0.870012      0

который я сгенерировал используя:

import pandas as pd
import numpy as np

np.random.seed(0)
number_of_samples = 10
frame = pd.DataFrame({
    'feature1': np.random.random(number_of_samples),
    'feature2': np.random.random(number_of_samples),
    'class':    np.random.binomial(2, 0.1, size=number_of_samples), 
    },columns=['feature1','feature2','class'])

print(frame)

Как видите, тренировочный набор несбалансирован (8 образцов имеют класс 0, в то время как только 2 образца имеют класс 1). Я хотел бы пересмотреть тренировочный набор. В частности, я хотел бы дублировать обучающие выборки с классом 1, чтобы обучающий набор был сбалансированным (т. Е. Когда число выборок с классом 0 приблизительно совпадает с количеством выборок с классом 1). Как я могу это сделать?

В идеале я хотел бы получить решение, которое можно обобщить на настройку мультикласса (т. Е. Целое число в столбце класса может быть больше 1).

Answer 1

Вы можете найти максимальный размер группы

max_size = frame['class'].value_counts().max()

В вашем примере это равно 8. Для каждой группы вы можете выбрать образец с заменой. max_size - len(group_size) элементы. Таким образом, если вы соедините их с исходным DataFrame, их размеры будут такими же, и вы сохраните исходные строки.

lst = [frame]
for class_index, group in frame.groupby('class'):
    lst.append(group.sample(max_size-len(group), replace=True))
frame_new = pd.concat(lst)

Вы можете играть с max_size-len(group) и, возможно, добавить немного шума, потому что это сделает все размеры группы равными.