基于列最小value_count()多类别下采样，求通用高效实现方案

针对类别不平衡数据集，将所有类别样本量统一下采样至最小类别样本数的需求，以下是更通用、高效的实现方案，替代硬编码的手动拆分方式：

步骤1：确定最小样本量 #

首先获取各类别的样本计数，提取最小样本数：

import pandas as pd
from sklearn.utils import resample

# 获取各类别样本量
class_counts = wisdm["activity"].value_counts()
# 提取最小样本数
min_sample_count = class_counts.min()

步骤2：通用下采样实现 #

利用groupby分组+apply批量处理所有类别，无需手动枚举每个类别：

# 批量下采样每个类别至最小样本量
balanced_dataset = wisdm.groupby("activity", group_keys=False).apply(
    lambda group: resample(
        group,
        replace=False,  # 下采样用无放回采样，若需有放回可改为True
        n_samples=min_sample_count,
        random_state=42  # 固定随机种子保证结果可复现
    )
)

验证结果 #

查看处理后的类别分布，确认所有类别样本量一致：

print(balanced_dataset["activity"].value_counts())

方案优势 #

• 通用性强：无论数据集有多少类别，无需修改代码即可适配，新增/删除类别时自动生效
• 代码简洁：避免重复的类别拆分与合并代码，降低维护成本
• 可复现性：通过random_state固定随机采样过程，结果稳定

补充说明 #

• 若需要重置索引，可在resample后添加.reset_index(drop=True)
• replace=False是下采样的常规设置，仅当目标样本数大于当前类别样本量时（非当前场景）才需要设置replace=True

内容的提问来源于stack exchange，提问作者Dumb Stranger