如何实现仅对数据集中指定类型样本的resample操作？

当前代码的采样输入对象从根源上就错了：Stroke['stroke']==1 是和原数据集长度一致的布尔掩码，作用是标记哪些行属于正例，本身不是筛选完成的正例数据。把这个由真假值组成的数组丢给resample方法，自然是对布尔值本身做采样，最终返回全是True/False的结果。

• 先通过布尔索引从原数据集里把所有正例的完整样本筛出来，这才是重采样要操作的对象
• 把筛好的正例子集传入resample接口，按照需要的目标采样数执行有放回重采样
• 等重采样完成后，把新生成的正例子集和原来的负例样本上下拼起来，就得到了分布平衡的完整训练集

# 第一步：筛选出所有原始正例样本
positive_raw = Stroke[Stroke['stroke'] == 1]
# 第二步：对正例子集执行有放回重采样，目标采样总数设为800
bootstrap_positive = resample(
    positive_raw,
    replace=True,
    n_samples=800,
    random_state=1
)

• 设多少n_samples要结合实际的负例规模调整，一般平衡后正负例比例在1:2到1:1区间就够了，正例采得太多反而容易让模型过拟合重复的正例样本
• 固定random_state的取值，能保证每次跑代码的采样结果完全可复现，不会因为采样随机性干扰后续的模型对比实验
• 重采样只能作用于拆分后的训练集部分，绝对不要碰测试集，否则会让模型评估结果完全失真

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