我有30,000个按情感分类的短语。

我打算使用朴素贝叶斯算法。

这是情感及其对应短语数量的比例（情感 -> 短语数量）。

anger           98boredom        157empty          659enthusiasm     522fun           1088happiness     2986hate          1187love          2068neutral       6340relief        1021sadness       4828surprise      1613worry         7433

所以，我需要将数据集分成训练集和测试集来执行我的模型，对吗？

在执行分层时，我应该保持类别的比例吗？

我的意思是，如果我选择30%作为测试样本，我应该保持每个情感的30%，而不是整个数据集的30%吗？

我想应该是的，但我希望能得到更有经验的意见。

你会怎么做呢？这里有人知道更好的方法来实现这个目标吗？而不是通过Python循环，测试哪个情感，计算30%，然后放入字典等？

有没有Pandas的技巧可以按类别特征进行分层，同时保持比例？

回答：

在执行分层时，是否应保持类别比例？

你似乎对术语有些困惑；分层（或分层抽样）的定义正是保持比例，否则就是简单的随机抽样。

如果我选择30%作为测试样本，我应该保持每个情感的30%，而不是整个数据集的30%吗？

这两者并不矛盾，对吗？如果你保持每个类别的30%，你最终不就是得到了初始集合的30%吗？

有没有Pandas的技巧可以按类别特征进行分层，同时保持比例？

我不了解Pandas的情况，但scikit-learn（我猜你接下来会用到）中的model_selection.train_test_split包含了一个stratify选项：

from sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(X, y,                                                    stratify=y,                                                     test_size=0.3)