Python不平衡数据集采样咨询：指定类别样本量采样方案

针对你的需求（保留Class 0全部2000个样本，Class 1、Class 2各抽取4000个样本），权重随机采样的核心问题是它基于概率分布抽取，无法保证小类别（Class 0）的样本被全部保留。推荐采用分类别单独处理+合并的方案，直接精准控制每个类别的样本量，具体实现如下：

基于Pandas的实现步骤 #

假设你的数据集是Pandas DataFrame格式，类别列名为class：

1. 提取Class 0的所有样本：

class0_data = df[df['class'] == 0]

2. 从Class 1中无放回随机抽取4000个样本（设置random_state保证结果可复现）：

class1_sample = df[df['class'] == 1].sample(n=4000, random_state=42)

3. 同理处理Class 2：

class2_sample = df[df['class'] == 2].sample(n=4000, random_state=42)

4. 合并所有样本得到最终数据集：

import pandas as pd
sampled_df = pd.concat([class0_data, class1_sample, class2_sample]).reset_index(drop=True)

关键注意事项 #

• 如果Class 1/2的样本量不足目标数量（你的场景中10000>4000，无需考虑），可将sample方法的replace参数设为True，启用有放回采样。
• 固定random_state的值可以让每次采样结果一致，方便后续实验复现。

内容的提问来源于stack exchange，提问作者Geeths