random.sample划分COVID-19数据集报Sample larger than population错误修复

架构老林

2026-8-29

错误原因

核心触发逻辑：Python标准库random.sample(population, k)的参数约束为采样数k必须满足0 ≤ k ≤ 待采样序列总长度，违反该约束就会抛出你看到的Sample larger than population or is negative错误。触发该问题通常有两种情况：一是COVID-19 Radiography Dataset中部分类别（如Viral Pneumonia）的初始图片总量不足你设定的30张采样值；二是你之前已经运行过一次划分代码，已经从原类别目录移动了部分图片到测试集，再次运行时原目录剩余的PNG图片数量小于30，采样时直接报错。
附带隐藏bug：代码中测试集目录名前后不一致，前期创建的是test2目录及对应类别子文件夹，后续移动文件时目标路径却写为test目录，即使解决采样报错，后续执行移动操作时也会因目标路径不存在触发文件找不到错误。

修复方案

按以下几点调整代码即可正常完成数据集划分：

采样时动态取「预设单类测试集样本数」和「当前类别实际有效图片总数」的较小值，避免采样数超过类别总样本量；
统一测试集目录命名，前后路径保持一致；
增加目录存在性判断，避免重复运行代码时因目录已存在抛出创建错误。

修正后的可运行代码如下：

import os
import random
import shutil

class_names = ['Normal', 'Viral Pneumonia', 'COVID','Lung_Opacity']
root_dir = 'COVID-19_Radiography_Dataset'
source_dirs = ['Normal', 'Viral Pneumonia', 'COVID','Lung_Opacity']
test_dir = os.path.join(root_dir, 'test')  # 统一测试集目录名
sample_per_class = 30  # 单类测试集采样数，可根据需求调整

if os.path.isdir(os.path.join(root_dir, source_dirs[1])):
    # 测试集根目录不存在时再创建
    if not os.path.isdir(test_dir):
        os.mkdir(test_dir)

    # 统一类别目录名
    for i, d in enumerate(source_dirs):
        target_class_dir = os.path.join(root_dir, class_names[i])
        if not os.path.isdir(target_class_dir):
            os.rename(os.path.join(root_dir, d), target_class_dir)

    # 创建测试集下的类别子目录
    for c in class_names:
        class_test_dir = os.path.join(test_dir, c)
        if not os.path.isdir(class_test_dir):
            os.mkdir(class_test_dir)

    # 逐类采样移动
    for c in class_names:
        class_train_dir = os.path.join(root_dir, c)
        images = [x for x in os.listdir(class_train_dir) if x.lower().endswith('png')]
        # 动态计算实际采样数，不超过当前类别图片总量
        actual_sample_num = min(sample_per_class, len(images))
        selected_images = random.sample(images, actual_sample_num)
        for image in selected_images:
            source_path = os.path.join(class_train_dir, image)
            target_path = os.path.join(test_dir, c, image)
            shutil.move(source_path, target_path)

补充说明：如果需要按比例划分训练/测试集（比如每个类取20%样本作为测试集），可以把actual_sample_num的计算逻辑替换为int(len(images) * test_ratio)即可，适配不同类别样本量不均衡的场景。

内容的提问来源于stack exchange，提问作者user19292411