如何用sklearn的make_blobs生成400:50分布的不平衡样本数据？

嗨，这问题很好解决！make_blobs其实支持直接指定每个类别的样本数量，不用自己手动拆分数据。你只需要把n_samples参数从整数改成一个列表，列表里的每个元素对应每个中心的样本数就行。

具体代码修改 #

原来的代码是：

from sklearn.datasets.samples_generator import make_blobs
X, y = make_blobs(n_samples=450, centers=2, cluster_std=[10.0, 2], random_state=22, n_features=2)

现在改成这样，就能生成400个第一类样本（对应FeatureA）和50个第二类样本（对应FeatureB）：

from sklearn.datasets.samples_generator import make_blobs
# 用列表指定每个类别的样本数：[第一类数量, 第二类数量]
X, y = make_blobs(n_samples=[400, 50], centers=2, cluster_std=[10.0, 2], random_state=22, n_features=2)

验证样本数量是否正确 #

你可以加一行代码确认类别分布：

import numpy as np
print(np.bincount(y))  # 输出应该是 [400 50]

原理说明 #

当n_samples是整数时，make_blobs会把总样本数均匀分配给每个centers；而当你传入一个和centers数量一致的列表时，它会严格按照列表里的数值为每个中心生成对应数量的样本，完美满足你要的不平衡特征需求。

另外提一句：如果你的scikit-learn版本比较新，samples_generator模块已经被整合到sklearn.datasets里了，所以导入语句可以改成：

from sklearn.datasets import make_blobs

两种导入方式都能工作，看你用的版本就行。

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