パンダを使用して1つのデータフレームからテストとトレーニングサンプルを作成するにはどうすればよいですか？

データフレームの形式のかなり大きなデータセットがあり、トレーニングとテストのためにデータフレームを2つのランダムサンプル（80％と20％）に分割する方法を考えていました。

ありがとう！

私はnumpyを使うだけrandnです：

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]

そして、これが機能していることを確認するだけです：

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

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

scikit learntrain_test_splitは良いものです。

from sklearn.model_selection import train_test_split

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

パンダのランダムサンプルも機能します

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

scikit-learn独自のtraining_test_splitを使用して、インデックスから生成します

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

トレイン/テストおよび検証サンプルを作成する多くの方法があります。

ケース1：train_test_splitオプションのない従来の方法：

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

ケース2：非常に小さなデータセット（<500行）の場合：この相互検証ですべてのラインの結果を取得するため。最後に、使用可能なトレーニングセットの行ごとに1つの予測があります。

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)

ケース3a：分類のための不均衡なデータセット。ケース1に続いて、同等のソリューションを次に示します。

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)

ケース3b：分類のための不均衡なデータセット。ケース2に続いて、同等のソリューションを次に示します。

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)

ケース4：ハイパーパラメーターを調整するために、ビッグデータにトレーニング/テスト/検証セットを作成する必要があります（60％トレーニング、20％テスト、20％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)

以下のコードを使用して、テストの作成とサンプルのトレーニングを行うことができます。

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

テストのサイズは、テストに入れてデータセットをトレーニングするデータの割合によって異なります。

多くの有効な答えがあります。束にもう1つ追加します。sklearn.cross_validationからインポート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)]

また、トレーニングとテストセットへの層別分割を検討することもできます。Startified除算では、トレーニングとテストのセットがランダムに生成されますが、元のクラスの比率は維持されます。これにより、トレーニングセットとテストセットが元のデータセットのプロパティをより適切に反映します。

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]とdf [test_inds]は、元のDataFrame dfのトレーニングセットとテストセットを提供します。

データセットのラベル列に関してデータを分割する必要がある場合は、これを使用できます。

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

そしてそれを使う：

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

分割のランダム性を制御したい場合や、グローバルランダムシードを使用したい場合は、random_stateを渡すこともできます。

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)

〜（チルド演算子）を使用すると、df.sample（）を使用してサンプリングされた行を除外し、パンダのみがインデックスのサンプリングとフィルタリングを処理できるようにして、2つのセットを取得できます。

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

これは、DataFrameを分割する必要があるときに書いたものです。上記のアンディのアプローチを使用することを検討しましたが、データセットのサイズを正確に制御できなかった（つまり、79、81などになることもある）のが嫌でした。

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()

このようにdfから範囲行を選択するだけです

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

上記の多くの素晴らしい答えがあるので、numpyライブラリーだけを使用してトレインセットとテストセットの正確なサンプル数を指定する場合は、もう1つ例を追加したいと思います。

# 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]

トレーニング、テスト、検証などの3つ以上のクラスに分割するには、次のようにします。

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]

これにより、データの約70％がトレーニングに、15％がテストに、15％が検証に配置されます。

あなたはパンダのデータフレームをnumpy配列に変換してから、numpy配列をデータフレームに戻す必要があります

 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)

あなたが望むのは、1つのデータフレームを入れて2つのデータフレームを出すことです（numpy配列ではありません）、これでうまくいくはずです：

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

df.as_matrix（）関数を利用してNumpy-arrayを作成し、渡すことができます。

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)

私の好みにもう少しエレガントなのは、ランダムな列を作成してから分割することです。これにより、ニーズに合ったランダムな分割を取得できます。

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

numpyに変換する必要はありません。パンダdfを使用して分割すると、パンダdfが返されます。

from sklearn.model_selection import train_test_split

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

後で列を追加する場合も、データフレームのスライスではなくコピーを取得する必要があると思います。

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

これはどう？dfは私のデータフレームです

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)

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]