我有一个包含亚马逊评论数据的相当大的CSV文件,我将其读入大熊猫数据框 . 我想将数据分成80-20(训练测试),但在这样做时我想确保分割数据按比例代表一列(类别)的值,即所有不同类别的评论都存在于列车中并按比例测试数据 .
数据如下所示:
**ReviewerID** **ReviewText** **Categories** **ProductId**
1212 good product Mobile 14444425
1233 will buy again drugs 324532
5432 not recomended dvd 789654123
我使用以下代码来执行此操作:
import pandas as pd
Meta = pd.read_csv('C:\\Users\\xyz\\Desktop\\WM Project\\Joined.csv')
import numpy as np
from sklearn.cross_validation import train_test_split
train, test = train_test_split(Meta.categories, test_size = 0.2, stratify=y)
它给出了以下错误
NameError: name 'y' is not defined
因为我对python相对较新,所以我无法弄清楚我做错了什么,或者这个代码是否会根据列类别进行分层 . 当我从train-test split中删除了stratify选项以及categories列时,它似乎工作正常 .
任何帮助将不胜感激 .
2 回答
沿着API文档,我认为你必须尝试像
X_train, X_test, y_train, y_test = train_test_split(Meta_X, Meta_Y, test_size = 0.2, stratify=Meta_Y)
.Meta_X
,Meta_Y
应该由您正确分配(我认为Meta_Y
应该是Meta.categories
,基于您的代码) .