11

我知道train_test_split随机拆分它，但我需要知道如何根据时间拆分它。

  X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42) 
  # this splits the data randomly as 67% test and 33% train

如何根据时间拆分相同的数据集作为 67% 的训练和 33% 的测试？数据集有一列时间戳。

我尝试搜索类似的问题，但不确定该方法。

有人可以简要解释一下吗？

4

4 回答 4

15

一种简单的方法来做到这一点..

第一：按时间排序数据

第二：

import numpy as np 
train_set, test_set= np.split(data, [int(.67 *len(data))])

这使得 train_set 具有前 67% 的数据，而 test_set 具有其余 33% 的数据。

于 2019-06-28T17:13:07.743 回答
9

在时间序列数据集上，数据拆分以不同的方式发生。有关更多信息，请参阅此链接。或者，您可以尝试scikit-learn 包中的TimeSeriesSplit。所以主要思想是这样的，假设你根据时间戳有10个数据点。现在拆分将是这样的：

Split 1 : 
Train_indices : 1 
Test_indices  : 2


Split 2 : 
Train_indices : 1, 2 
Test_indices  : 3


Split 3 : 
Train_indices : 1, 2, 3 
Test_indices  : 4

Split 4 : 
Train_indices : 1, 2, 3, 4 
Test_indices  : 5

等等等等。您可以查看上面链接中显示的示例，以更好地了解 TimeSeriesSplit 在 sklearn 中的工作方式

更新 如果您有一个单独的时间列，您可以简单地根据该列对数据进行排序，然后如上所述应用 timeSeriesSplit 来获取拆分。

为了确保最终拆分中 67% 的训练数据和 33% 的测试数据，指定拆分数如下：

no_of_split = int((len(data)-3)/3)

例子

X = np.array([[1, 2], [3, 4], [1, 2], [3, 4],[1, 2], [3, 4],[3, 4],[1, 2],     [3, 4],[3, 4],[1, 2], [3, 4] ])
y = np.array([1, 2, 3, 4, 5, 6,7,8,9,10,11,12])
tscv = TimeSeriesSplit(n_splits=int((len(y)-3)/3))
for train_index, test_index in tscv.split(X):
     print("TRAIN:", train_index, "TEST:", test_index)

     #To get the indices 
     X_train, X_test = X[train_index], X[test_index]
     y_train, y_test = y[train_index], y[test_index]

输出 ：

('TRAIN:', array([0, 1, 2]), 'TEST:', array([3, 4, 5]))
('TRAIN:', array([0, 1, 2, 3, 4, 5]), 'TEST:', array([6, 7, 8]))
('TRAIN:', array([0, 1, 2, 3, 4, 5, 6, 7, 8]), 'TEST:', array([ 9, 10, 11]))

​</p>

于 2018-06-15T17:16:22.383 回答
4

如果您有一个简单的数据集，其中每一行都是一个观察值（例如，分类问题的非时间序列数据集）并且您想将其拆分为训练和测试，此函数将根据列拆分为训练和测试日期：

import pandas as pd
import numpy as np
from math import ceil

def train_test_split_sorted(X, y, test_size, dates):
"""Splits X and y into train and test sets, with test set separated by most recent dates.

    Example:
    --------
    >>> from sklearn import datasets

    # Fake dataset:
    >>> gen_data = datasets.make_classification(n_samples=10000, n_features=5)
    >>> dates = np.array(pd.date_range('2016-01-01', periods=10000, freq='5min'))
    >>> np.random.shuffle(dates)
    >>> df = pd.DataFrame(gen_data[0])
    >>> df['date'] = dates
    >>> df['target'] = gen_data[1]

    # Separate:
    >>> X_train, X_test, y_train, y_test = train_test_split_sorted(df.drop('target', axis=1), df['target'], 0.33, df['date'])

    >>> print('Length train set: {}'.format(len(y_train)))
    Length train set: 8000
    >>> print('Length test set: {}'.format(len(y_test)))
    Length test set: 2000
    >>> print('Last date in train set: {}'.format(X_train['date'].max()))
    Last date in train set: 2016-01-28 18:35:00
    >>> print('First date in test set: {}'.format(X_test['date'].min()))
    First date in test set: 2016-01-28 18:40:00
    """

    n_test = ceil(test_size * len(X))

    sorted_index = [x for _, x in sorted(zip(np.array(dates), np.arange(0, len(dates))), key=lambda pair: pair[0])]
    train_idx = sorted_index[:-n_test]
    test_idx = sorted_index[-n_test:]

    if isinstance(X, (pd.Series, pd.DataFrame)):
        X_train = X.iloc[train_idx]
        X_test = X.iloc[test_idx]
    else:
        X_train = X[train_idx]
        X_test = X[test_idx]
    if isinstance(y, (pd.Series, pd.DataFrame)):
        y_train = y.iloc[train_idx]
        y_test = y.iloc[test_idx]
    else:
        y_train = y[train_idx]
        y_test = y[test_idx]

    return X_train, X_test, y_train, y_test

该dates参数实际上可以是您想用来对数据进行排序的任何类型的数组或系列。

在您的情况下，您应该调用：作为您X_train, X_test, y_train, y_test = train_test_split_sorted(X, y, 0.333, TimeStamp)拥有TimeStamp有关每个观察的时间戳信息的数组或列。

于 2018-10-18T19:01:30.860 回答
1

如果您的数据已经根据时间排序，那么只需使用shuffle=False

例如：

train, test = train_test_split(newdf, test_size=0.3, shuffle=False)

于 2020-11-13T07:57:28.790 回答