为何Pandas稀疏DataFrame无法适配imblearn的RandomOverSampler？

报错原因 #

1. Pandas稀疏DataFrame与imblearn的适配缺陷：虽然imblearn文档标注支持DataFrame类型，但针对Pandas稀疏DataFrame的处理逻辑存在问题。当传入稀疏DataFrame时，RandomOverSampler.fit_resample未能正确识别其多列稀疏结构，误将整个DataFrame当作仅含1个稀疏数组的单列处理，采样后输出形状变为(290210, 1)，与原数据的52651列维度冲突，触发报错。
2. scipy CSR矩阵的原生兼容性：直接传入scipy CSR稀疏矩阵时，imblearn会调用专门针对稀疏矩阵的处理逻辑，能准确维护数据的维度和稀疏结构，因此可以正常运行。

解决方案 #

方案1：先采样再转稀疏DataFrame（推荐） #

保留CSR矩阵完成采样操作，之后再将结果转换为Pandas稀疏DataFrame，既规避适配问题，又能满足后续对DataFrame的需求：

import pandas as pd
from imblearn.over_sampling import RandomOverSampler

# 用CSR矩阵执行采样
x_trainvec_rand, y_train_rand = RandomOverSampler(random_state=0).fit_resample(x_trainvec, y_train)
# 将采样后的稀疏矩阵转为Pandas稀疏DataFrame
x_trainvec_rand_df = pd.DataFrame.sparse.from_spmatrix(x_trainvec_rand)

print(x_trainvec_rand_df)

方案2：升级依赖版本 #

尝试将imblearn和pandas升级至最新稳定版，部分版本兼容问题可能已被官方修复：

pip install --upgrade imbalanced-learn pandas

方案3：使用密集DataFrame（不推荐） #

若内存充足，可将CSR矩阵转为密集DataFrame后再采样，但此方法会占用大量内存（52651列的密集矩阵内存开销极高），仅适用于小维度数据场景：

x_trainvec_dense = pd.DataFrame(x_trainvec.toarray())
x_trainvec_rand, y_train_rand = RandomOverSampler(random_state=0).fit_resample(x_trainvec_dense, y_train)

内容的提问来源于stack exchange，提问作者sazerxv