使用imblearn随机欠采样平衡数据框后，如何保存被移除的样本至新数据框？

嘿，这个需求其实很好实现，RandomUnderSampler自带了一个实用参数能帮咱们拿到被保留样本的索引，反向操作就能提取出被欠采样掉的数据啦，我给你一步步拆解：

首先，你需要在初始化RandomUnderSampler时加上return_indices=True参数，这样调用fit_resample时会额外返回一个被保留样本的索引数组。接着用原数据的索引集合减去这个保留索引的集合，就能得到被移除的样本索引，最后用这些索引从原数据里把对应行取出来就行。

下面是修改后的完整代码：

import pandas as pd
from imblearn.under_sampling import RandomUnderSampler

# 初始化采样器，添加return_indices=True参数以获取保留样本的索引
rus = RandomUnderSampler(sampling_strategy=1, return_indices=True)
# 此时fit_resample会返回三个值：平衡后的X、平衡后的y、被保留样本的索引
X_res, y_res, retained_indices = rus.fit_resample(X, y)

# 生成你原本需要的平衡数据集
df1 = pd.concat([X_res, y_res], axis=1)

# 计算被移除样本的索引：原数据索引集合减去保留索引集合
original_indices = set(X.index)
removed_indices = original_indices - set(retained_indices)

# 从原数据中提取被移除的行，组成新的DataFrame
removed_df = pd.concat([X.loc[removed_indices], y.loc[removed_indices]], axis=1)

这里补充两个小细节：

• 如果你的原数据一开始就是一个完整的DataFrame（而非拆分的X和y），那直接用原DataFrame.loc[removed_indices]提取会更简洁
• 用集合操作计算被移除索引是为了兼容非连续的索引场景，避免因索引不连续导致的提取错误

内容的提问来源于stack exchange，提问作者Avi1-x