解决Python ValueError：训练测试集拆分时最小类别样本数不足问题

错误原因 #

你用train_test_split指定stratify=y做分层拆分时，目标变量y里存在仅含1个样本的类别——分层拆分需要每个类别至少有2个样本，才能分配到训练集和测试集里，所以触发报错。

具体解决方案 #

• 先清理/合并稀有类别
  先查看类别分布找到问题类别，再处理：

  # 统计每个类别的样本数量
  print(y.value_counts())
  # 筛选出样本数≤1的类别
  rare_classes = y.value_counts()[y.value_counts() <= 1].index
  

  处理方式二选一：

  1. 删除稀有类别样本：

     # 过滤掉稀有类别的数据行
     filtered_data = df[~df['target_col'].isin(rare_classes)]
     X = filtered_data.drop('target_col', axis=1)
     y = filtered_data['target_col']
     

  2. 合并到相似类别（根据业务逻辑调整）：

     # 把稀有类别统一替换为"other"
     y = y.replace(rare_classes, 'other')
     

• 取消分层拆分（适合对类别分布要求不高的场景）
  如果不需要严格保持训练/测试集的类别分布一致，直接去掉stratify=y参数：

  from sklearn.model_selection import train_test_split
  X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
  

• 调整分层抽样策略（小样本场景）
  若必须分层，需确保所有类别样本数≥拆分折数，再用分层逻辑：

  from sklearn.model_selection import StratifiedKFold
  # 最低要求n_splits设为2，确保每个类别至少能分到两个集合
  skf = StratifiedKFold(n_splits=2, shuffle=True, random_state=42)
  for train_idx, test_idx in skf.split(X, y):
      X_train, X_test = X.iloc[train_idx], X.iloc[test_idx]
      y_train, y_test = y.iloc[train_idx], y.iloc[test_idx]
  

内容的提问来源于stack exchange，提问作者Niraja