以下是一个极度简化的DataFrame，代表包含医疗诊断的更大DataFrame:

medicalData = pd.DataFrame({'diagnosis':['positive','positive','negative','negative','positive','negative','negative','negative','negative','negative']})medicalData    diagnosis0   positive1   positive2   negative3   negative4   positive5   negative6   negative7   negative8   negative9   negative

问题：为了机器学习，我需要随机将这个数据框拆分为三个子数据框，如下方式:

trainingDF, validationDF, testDF = SplitData(medicalData,fractions = [0.6,0.2,0.2])

…其中拆分数组指定了完整数据中分配到每个子数据框的比例。

• 子数据框中的数据需要是互斥的，并且拆分数组（比例）需要总和为1。
• 此外，每个子集中的阳性诊断比例需要大致相同。
• 这个问题的答案建议使用pandas的sample方法或sklearn的train_test_split函数。但这些解决方案似乎都不能很好地泛化到n次拆分，且没有提供分层拆分的方案。

回答：

np.array_split

如果你想要泛化到n次拆分，np.array_split是你最好的朋友（它与DataFrame兼容得很好）。

fractions = np.array([0.6, 0.2, 0.2])# 打乱你的输入df = df.sample(frac=1) # 分成3部分train, val, test = np.array_split(    df, (fractions[:-1].cumsum() * len(df)).astype(int))

train_test_split

使用train_test_split进行分层拆分的复杂解决方案。

y = df.pop('diagnosis').to_frame()X = df

X_train, X_test, y_train, y_test = train_test_split(        X, y,stratify=y, test_size=0.4)X_test, X_val, y_test, y_val = train_test_split(        X_test, y_test, stratify=y_test, test_size=0.5)

其中X是你特征的DataFrame，y是你标签的单列DataFrame。