我有虹膜数据集（可以在这里找到：https://www.kaggle.com/uciml/iris），我应该将其分成测试和训练集 . 但是，我需要拆分它，以便训练和测试集中的类分布与完整数据集中的类分布相同 .
我已经在这个问题中看到了最佳答案：how to split a dataset into training and validation set keeping ratio between classes?但由于我是数据科学和python的新手，我很遗憾 .
对于Iris数据集，前50行是一种花，接下来的50行是第二种，后50种是第三种花 . 我怎么写，以便我会得到例如 . 每三分之一的50％测试数据？在上面提到的问题中，我无法真正理解他们在何处以及如何做到这一点 . 如果你能像孩子一样解释这个，我会非常感激 .
x_train是否代表了花的4种不同特征，而y_train是我们拥有的那种花吗？
先感谢您！
编辑：我试过这个
x_train，x_test，y_train，y_test = train_test_split（x，y，test_size = 0.5，random_state = 65）
但这是一个公平的方式吗？我正在选择不同数量的随机状态，直到我在测试和训练集中得到每种花型的25个（它总是大约1/3但是我确实得到了65） . 这感觉有点像作弊......
2 回答
你可以在这里使用StratifiedKFold：http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.StratifiedKFold.html
此外，train_test_split还有 stratify 参数：http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html#sklearn.model_selection.train_test_split
如果你需要用一个例子来描述它，请给我打电话 .
有
shuffle和stratify参数 .默认
shuffle = True和stratify=None如果您正在处理回归，默认情况下
train_test_split将为您重新打包数据 .如果您正在处理分类，则需要指定
stratify = << your response variable >>欲了解更多信息，请查看documentation
谢谢