问题描述
我正在使用手机传感器数据(加速度计)进行机器学习项目。在将数据集导出到 ML 模型之前,我需要对其进行预处理。我有 25 个班级(数据集中的字母表),每个班级有 20 个科目(我得到了多少个字母表)。由于每个班级和科目的长度不同,我必须重新采样。我想按类和主题拆分单个 csv 文件以便能够重新采样。我尝试了一些像 groupby() 或其他东西,但没有奏效。如果您能分享我对这个问题的看法,我会很高兴。这是我第一次在这个网站上提问,如果我犯了错误,如果你警告我我的错误,我将不胜感激。从现在开始谢谢你。
what i got when i tried with groupby() but not exactly what i wanted
This is how my csv file looks like. It contains more than 300,000 data.
一些代码片段:
import pandas as pd
import numpy as np
def read_data(file_path):
data = pd.read_csv(file_path)
return data
# read csv file
dataset = read_data('raw_data.csv')
df1 = pd.DataFrame( dataset.groupby(['alphabet','subject'])['x_axis'].count())
df1['x_axis'].head(20)
我还需要为每个 x_axis、y_axis 和 z_axis 执行此操作,那么除了 groupby() 函数之外我还能使用什么?我不想只使用长度,还要使用所有三个的值来重新采样。
解决方法
首先计算样本的最大公共数
num_sample = df.groupby(['alphabet','subject'])['x_axis'].count().min()
现在您可以采样
df.groupby(['alphabet','subject']).sample(num_sample)