重采样

sklearn.utils.resample(*arrays, replace=True, n_samples=None, random_state=None, stratify=None)

以一致的方式重新采样数组或稀疏矩阵。

默认策略实现引导过程的一个步骤。

参数:

*arrays形状的阵列状序列（n_samples，）或 （n_样本，n_输出）

可索引数据结构可以是具有一致第一维度的数组、列表、椭圆形结构或Scipy稀疏矩阵。

replace布尔，默认=True

通过替换重新分配实现。如果为假，这将实现（切片）随机排列。

n_samplesint，默认=无

要生成的样本数量。如果将其保留为无，则该值会自动设置为数组的第一维度。如果replace为False，则不应大于数组的长度。

random_stateint，RandomState实例或无，默认=无

确定用于洗牌数据的随机数生成。传递int以获得跨多个函数调用的可重复结果。看到 Glossary .

stratify形状（n_samples，）的{类数组，稀疏矩阵}或 （n_samples，n_outputs），默认=无

如果不是无，则以分层方式拆分数据，并使用其作为类标签。

返回:

resampled_arrays形状的阵列状序列（n_samples，）或 （n_样本，n_输出）

重新采样的集合副本的顺序。原始阵列不受影响。

参见

shuffle

以一致的方式洗牌数组或稀疏矩阵。

示例

可以在同一次运行中混合稀疏和密集阵列：：

>>> import numpy as np
>>> X = np.array([[1., 0.], [2., 1.], [0., 0.]])
>>> y = np.array([0, 1, 2])

>>> from scipy.sparse import coo_matrix
>>> X_sparse = coo_matrix(X)

>>> from sklearn.utils import resample
>>> X, X_sparse, y = resample(X, X_sparse, y, random_state=0)
>>> X
array([[1., 0.],
       [2., 1.],
       [1., 0.]])

>>> X_sparse
<Compressed Sparse Row sparse matrix of dtype 'float64'
    with 4 stored elements and shape (3, 2)>

>>> X_sparse.toarray()
array([[1., 0.],
       [2., 1.],
       [1., 0.]])

>>> y
array([0, 1, 0])

>>> resample(y, n_samples=2, random_state=0)
array([0, 1])

使用分层的示例：：

>>> y = [0, 0, 1, 1, 1, 1, 1, 1, 1]
>>> resample(y, n_samples=5, replace=False, stratify=y,
...          random_state=0)
[1, 1, 1, 0, 1]