我想将我的数据框分割成训练集和测试集，但测试集应该包含整个数据中例如3个相邻的行多次。我不知道如何正确地写出这个问题，请直接查看表格。我希望通过块的方式分割我的数据框。
所有数据：
| Y | row_num | x1 | x2 |
|---|---|---|---|
| value | 1 | some value | some other value |
| value | 2 | some value | some other value |
| value | 3 | some value | some other value |
| value | 4 | some value | some other value |
| value | 5 | some value | some other value |
| value | 6 | some value | some other value |
| value | 7 | some value | some other value |
| value | 8 | some value | some other value |
| value | 9 | some value | some other value |
| value | 10 | some value | some other value |
| value | 11 | some value | some other value |
我想要的：
训练集：
| Y | row_num | x1 | x2 |
|---|---|---|---|
| value | 1 | some value | some other value |
| value | 5 | some value | some other value |
| value | 6 | some value | some other value |
| value | 10 | some value | some other value |
| value | 11 | some value | some other value |
测试集：
| Y | row_num | x1 | x2 |
|---|---|---|---|
| value | 2 | some value | some other value |
| value | 3 | some value | some other value |
| value | 4 | some value | some other value |
| value | 7 | some value | some other value |
| value | 8 | some value | some other value |
| value | 9 | some value | some other value |
回答：
可能有更优雅和/或更有效的方法来实现您的目标。我还没有想到在列表中随机选择固定数量的n个连续元素（不重复）的解决方案。
我可能会从做类似以下的事情开始：
import random
def custom_split(df, train_size, n_adjacent=3):
# 所需的n_adjacent连续行的集合数量。
test_size = int(len(df)*(1-train_size)//n_adjacent)
n_attempt = 10
while n_attempt > 0:
retry = False
available_idx = list(range(len(df)))
test_idx = []
for _ in range(test_size):
# 如果没有更多的连续索引，它将从头开始重试。
if len(available_idx) < n_adjacent:
retry = True
n_attempt -= 1
break
# 从可用索引中选择一个索引。
add_idx = random.choice(available_idx[:-(n_adjacent-1)])
# 扩展到这个索引及其后面的两个索引。
new_idx = list(range(add_idx, add_idx + n_adjacent))
# 从可用列表中移除这些索引，
# 也移除不再是n_adjacent连续索引的一部分的索引。
available_idx = [idx for idx in available_idx if idx not in new_idx
and idx + n_adjacent - 1 not in new_idx]
test_idx.extend(new_idx)
if not retry:
# 成功了。
# 将test_idx标记为False。
train_idx = np.ones(len(df), dtype=np.bool)
train_idx[test_idx] = False
return df.iloc[train_idx,:], df.iloc[test_idx,:]
# 如果尝试10次失败，则引发异常。
raise Exception("无法找到连续索引以随机选择。")
# 80% 训练集，20% 测试集，向上取整训练部分。
# 多亏了掩码，整个数据框都被表示。
train_set, test_set = custom_split(a_dataframe, train_size = 0.8, n_adjacent = 5)
这个解决方案的主要问题是，当调用random.choice时，可能会缺乏连续的索引。这就是while循环的原因：只要失败，它就会重试，最多10次，否则将引发异常。
"idx"不是数据框中索引列的值，而是行在其轴上的位置。这就是为什么我使用iloc而不是loc的原因。
使用20行数据框，70%的train_size和3个n_adjacent的结果：
# IDX
# train:[0, 1, 2, 3, 4, 5, 6, 7, 8, 12, 13, 14, 15, 16]
# test:[17, 18, 19, 9, 10, 11]
不要忘记根据您的需求，在之后对训练集或两个集合进行洗牌。这里有一种优雅的方式来洗牌数据框的行：https://stackoverflow.com/a/34879805/10409093
