我有一个多类分类问题，我的数据库是倾斜的，例如，我有一个特定类别的100个实例，而另一个类别只有10个实例，所以我想在拆分数据集时保持类别之间的比例。如果我有一个特定类别的100个实例，并且我想让30%的记录进入训练集，那么我希望在训练集中有这个100个记录类别的30个实例，以及那个10个记录类别的3个实例，依此类推。

回答：

你可以使用sklearn的StratifiedKFold，根据在线文档说明：

分层K折交叉验证迭代器

提供训练/测试索引以将数据拆分为训练测试集。

这种交叉验证对象是KFold的一种变体，它返回分层折叠。折叠是通过保持每个类别的样本百分比来制作的。

>>> from sklearn import cross_validation>>> X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])>>> y = np.array([0, 0, 1, 1])>>> skf = cross_validation.StratifiedKFold(y, n_folds=2)>>> len(skf)2>>> print(skf)  sklearn.cross_validation.StratifiedKFold(labels=[0 0 1 1], n_folds=2,                                         shuffle=False, random_state=None)>>> for train_index, test_index in skf:...    print("TRAIN:", train_index, "TEST:", test_index)...    X_train, X_test = X[train_index], X[test_index]...    y_train, y_test = y[train_index], y[test_index]TRAIN: [1 3] TEST: [0 2]TRAIN: [0 2] TEST: [1 3]

这将保持你的类别比例，使拆分保留类别比例，这对于pandas数据框也适用。

正如@Ali_m建议，你可以使用StratifiedShuffledSplit，它接受一个拆分比例参数：

sss = StratifiedShuffleSplit(y, 3, test_size=0.7, random_state=0)

将产生70%的拆分比例。