嘿，这个问题我之前也碰到过！当稀有类只有1个样本时，sklearn自带的train_test_split或者StratifiedShuffleSplit确实没法满足“同时出现在训练和测试集”的需求——毕竟它们只能把每个样本分配到其中一个集合里。不过咱们可以手动处理，轻松搞定这个问题，代码也很简单，完全适合Python新手～

核心思路 #

因为稀有类（label=0）只有1个样本，咱们需要让这个样本同时出现在训练集和测试集，然后从多数类（label=1）里按80-20的比例拆分出对应数量的样本，最后把两部分合并即可。这样既保证了稀有类在两个集合都存在，也满足了整体的拆分比例。

具体步骤（附代码） #

假设你用pandas读取数据集（新手最常用的工具），咱们一步步来：

1. 导入必要的库

import pandas as pd
from sklearn.model_selection import train_test_split

2. 读取并拆分数据集
   先把数据分成稀有类和多数类两部分：

# 读取数据集（替换成你的数据文件路径）
df = pd.read_csv('your_dataset.csv')

# 分离稀有类（label=0）和多数类（label=1）
df_rarity = df[df['label'] == 0]  # 仅1个样本
df_majority = df[df['label'] == 1]  # 500个样本

3. 拆分多数类为训练和测试集
   按80-20比例拆分多数类样本：

# test_size=0.2表示测试集占20%，random_state保证拆分结果可复现
train_majority, test_majority = train_test_split(
    df_majority,
    test_size=0.2,
    random_state=42
)

4. 合并稀有类到训练和测试集
   把唯一的稀有类样本分别加到训练集和测试集里：

# 训练集 = 多数类训练样本 + 稀有类样本
train_set = pd.concat([train_majority, df_rarity], ignore_index=True)

# 测试集 = 多数类测试样本 + 稀有类样本
test_set = pd.concat([test_majority, df_rarity], ignore_index=True)

5. 可选：打乱数据集顺序
   如果需要打乱训练集和测试集的顺序，可添加这一步：

train_set = train_set.sample(frac=1, random_state=42).reset_index(drop=True)
test_set = test_set.sample(frac=1, random_state=42).reset_index(drop=True)

验证结果 #

你可以检查两个集合的样本数和类别分布：

print(f"训练集总样本数：{len(train_set)}，label=0的样本数：{len(train_set[train_set['label']==0])}")
print(f"测试集总样本数：{len(test_set)}，label=0的样本数：{len(test_set[test_set['label']==0])}")

输出应该是：

训练集总样本数：401，label=0的样本数：1
测试集总样本数：101，label=0的样本数：1

总样本数501，训练集占比≈80.04%，测试集≈20.16%，完美符合80-20的要求，而且稀有类样本在两个集合都存在啦！

为什么之前的方法不行？ #

StratifiedShuffleSplit这类分层方法会按类别比例拆分样本，但当某个类别只有1个样本时，它只能把这个样本分配到训练集或测试集其中一个——毕竟一个样本不能同时出现在两个地方（除非咱们手动复制它～）。

内容的提问来源于stack exchange，提问作者reddy