如何使用sample函数将pd.Series拆分为两个无重叠且并集为原序列的样本

原代码问题说明 #

两次独立调用sample()方法都是从完整的原始Series中抽样，即使设置了相同的random_state，也仅能保证两次抽样的随机种子一致，不会自动排除已抽取的元素，因此必然会出现样本重叠的情况。

无重叠样本拆分方案 #

方案1：先抽小样本，剩余部分自动作为第二个样本

无需额外依赖，逻辑简单直观：

import pandas as pd

example = pd.Series([1,2,3,4,5,6])
# 抽取2个样本作为第一组
example1 = example.sample(n=2, replace=False, random_state=12345)
# 从原Series中剔除第一组的索引，得到剩余4个无重叠样本作为第二组
example2 = example.drop(example1.index)

方案2：交叉验证场景专用拆分方法

如果是为交叉验证拆分训练/测试集，直接使用sklearn的train_test_split方法更规范，自动保证无重叠、并集覆盖全量数据：

import pandas as pd
from sklearn.model_selection import train_test_split

example = pd.Series([1,2,3,4,5,6])
# test_size指定小样本占比，返回结果顺序为「大样本，小样本」
example2, example1 = train_test_split(example, test_size=2/6, random_state=12345)

两种方案最终得到的example1和example2都满足无重叠、并集等于原始Series的要求，可以直接用于后续交叉验证步骤。

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