使用StratifiedGroupKFold时test_index为空的问题排查

核心错误：未传入groups参数 #

StratifiedGroupKFold是分层分组交叉验证，要求在split()方法中必须传入groups参数来指定每个样本所属的分组。你的代码只传入了x和y，缺少分组信息，导致分组逻辑失效，进而出现test_index为空或异常的情况。

另外，load_breast_cancer数据集本身没有自带分组信息，需要手动为样本生成或指定分组。

修正后的代码示例 #

方案1：模拟分组数据使用StratifiedGroupKFold #

如果确实需要分组验证，可以手动为样本分配分组（比如按索引每100个样本为一组）：

import pandas as pd
from sklearn.model_selection import StratifiedGroupKFold
from sklearn.datasets import load_breast_cancer

data = load_breast_cancer()
x = pd.DataFrame(data.data)
y = pd.DataFrame(data.target)
# 模拟分组：每100个样本为一组，最后一组不足100也单独成组
groups = [i // 100 for i in range(len(x))]

skf = StratifiedGroupKFold(n_splits=5)

fold_no = 1
for train_index, test_index in skf.split(x, y, groups=groups):
    print(f"Fold {fold_no} test_index: {test_index}")
    train = x.loc[train_index, :]
    test = x.loc[test_index]
    # 计算测试集的类别比例（用标签y而非特征x）
    ratio = y.loc[test_index].mean().values[0]
    print(f'Fold {fold_no}, Class Ratio: {ratio:.2f}')
    fold_no += 1

方案2：不需要分组时用StratifiedKFold #

如果你的场景不需要分组，仅需分层交叉验证，直接使用StratifiedKFold即可，无需传入groups：

import pandas as pd
from sklearn.model_selection import StratifiedKFold
from sklearn.datasets import load_breast_cancer

data = load_breast_cancer()
x = pd.DataFrame(data.data)
y = pd.DataFrame(data.target)

skf = StratifiedKFold(n_splits=5)

fold_no = 1
for train_index, test_index in skf.split(x, y):
    print(f"Fold {fold_no} test_index: {test_index}")
    train = x.loc[train_index, :]
    test = x.loc[test_index]
    ratio = y.loc[test_index].mean().values[0]
    print(f'Fold {fold_no}, Class Ratio: {ratio:.2f}')
    fold_no += 1

额外注意点 #

• 你原代码中注释的ratio = sum(test)/len(test)是错误的：test是特征数据集x，并非标签y，必须用y.loc[test_index]计算类别比例。
• StratifiedGroupKFold的核心逻辑是：保证每个fold的类别分布与整体数据一致，同时每个分组的样本只会出现在训练集或测试集中的一方，不会跨集。

内容的提问来源于stack exchange，提问作者Infidus