Sklearn GroupShuffleSplit拆分后验证测试集出现组重叠问题

• 核心错误是混淆了两类索引：GroupShuffleSplit.split() 返回的val_inds、test_inds是传入数据集的整数位置下标（从0开始计数，对应传入df的第N行），不是DataFrame自带的index标签值。
• 之前功能运行正常，是因为当时使用的df保留了pandas默认的从0开始连续递增的RangeIndex，位置下标和标签索引值完全相等，用df.index.isin()匹配刚好能选对行；一旦df经过行过滤、排序、拼接、去重等操作，导致索引不再连续/不再从0起始，这个匹配逻辑就会选到错误的行，拆分结果自然出现cl_uid分组跨集合重叠的问题。
• 代码中n_splits=2的参数设置不会导致分组泄漏，该参数仅控制拆分器生成多少组独立的拆分结果，调用next()取第一组结果的写法本身没有问题。sklearn 0.24.1版本的GroupShuffleSplit实现逻辑无原生bug，只要行匹配正确，拆分出的两个集合不会出现同组样本重叠。

直接使用iloc按位置下标选行，不要用标签索引做匹配，建议同时固定随机种子保证结果可复现：

val_inds, test_inds = next(GroupShuffleSplit(
    test_size=0.5,
    n_splits=2,
    random_state=42
).split(df, groups=df['cl_uid'].values))

# 按位置下标选行，严格匹配split的划分结果
df_val = df.iloc[val_inds]
df_test = df.iloc[test_inds]

# 此时两个集合的cl_uid交集长度必然为0
len(set(df_val.cl_uid).intersection(set(df_test.cl_uid)))

验证提示：修复后可以先打印两个集合的cl_uid交集确认结果，只要groups参数和传入split的df行顺序一一对应，就不会出现分组泄漏问题。

内容的提问来源于stack exchange，提问作者Giovanni Rescia