以鸢尾花数据集为例，重新审视数据切割函数train_test_split

我们相信：世界是美好的，你是我也是。平行空间的世界里面，不同版本的生活也在继续...

苏南大叔再次重新审视在基于sklearn的机器学习中，最常用的数据集切割函数train_test_split()。同以前的文章一样，本文还是基于对鸢尾花数据集的再一次加工处理和审视。那么，在本文中，会有什么新的观点呢？

大家好，这里是苏南大叔的“程序如此灵动”博客，记录苏南大叔和计算机代码的故事。本文将对train_test_split()函数的用法，进行简要的分析。本文测试环境：win10，python@3.12.0，scikit-learn@1.2.2。

前文回顾

本文的新观点，是基于下面的两篇文章的。

• https://newsn.net/say/sklearn-train_test_split.html
• https://newsn.net/say/ndarray-change-value.html

函数原型

函数定义在<python>\Lib\site-packages\sklearn\model_selection\_split.py文件中，函数定义如下：

def train_test_split(
    *arrays,
    test_size=None,
    train_size=None,
    random_state=None,
    shuffle=True,
    stratify=None,
):

*arrays

本文主要聚焦于第一个参数*arrays，
在平常的代码应用中，它相当于X,y，被切割为X_train,X_test,y_train,y_test。但是，并不是说，可以被切割的就仅仅是X和y。这里是可以无限输入参数的，任何数量的数据，都可以被顺序切割为_train和_test两部分。

train_test_split()其它的参数，请参考：

• https://newsn.net/say/sklearn-train_test_split.html

新的待切割数据

对于鸢尾花数据集里面的数字标签0,1,2，变成了中文标签山鸢尾,变色鸢尾,维吉尼亚鸢尾。

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target

import numpy as np
y_cn = np.array(["山鸢尾","变色鸢尾","维吉尼亚鸢尾"])[y]

下面切割传统的X和y，以及新的y_cn数据。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test, y_cn_train, y_cn_test = \
       train_test_split(X, y, y_cn, test_size=0.2, random_state=8)

print(X_train[0:3])
print(y_train[0:3])
print(y_cn_train[0:3])

输出：

[[5.1 3.8 1.9 0.4]
 [4.8 3.  1.4 0.1]
 [4.6 3.6 1.  0.2]]
[0 0 0]
['山鸢尾' '山鸢尾' '山鸢尾']

可能存在的限制

对于被分割的训练集数据X,y和y_cn，要求它们具有相同的数据条数。否则，可能会碰到下面的类似错误提示信息：

ValueError: Found input variables with inconsistent numbers of samples: [50, 150, 150]

其实，仅仅是对X做了数据截取处理。

# ...
X = X[0:50]
# ...
X_train, X_test, y_train, y_test, y_cn_train, y_cn_test = \
       train_test_split(X, y, y_cn, test_size=0.2, random_state=8)

这样的数据输出结果，就是报错。

结语

更多基于python的经验文章，请点击苏南大叔的系列文章：

• https://newsn.net/tag/python/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。