将教材中实战项目“女装电子商务数据集”进行完善，使用下采样方法解决数据不平衡的问题的代码

下采样是处理数据不平衡问题的一种方法，其基本思路是减少多数类的样本数量，使得多数类和少数类的样本数量接近。以下是将“女装电子商务数据集”进行下采样的代码示例：

import pandas as pd
from sklearn.utils import resample

# 读取数据集
df = pd.read_csv('data.csv')

# 将多数类和少数类分开
majority_class = df[df.label==0]
minority_class = df[df.label==1]

# 对多数类进行下采样
majority_downsampled = resample(majority_class,
                                replace=False,  
                                n_samples=len(minority_class),  
                                random_state=42)

# 合并多数类和少数类
downsampled_df = pd.concat([majority_downsampled, minority_class])

# 打乱数据集
downsampled_df = downsampled_df.sample(frac=1, random_state=42)

# 保存处理后的数据集
downsampled_df.to_csv('downsampled_data.csv', index=False)

在上述代码中，我们使用了`sklearn.utils.resample`函数对多数类进行下采样。其中，`replace=False`表示不放回抽样，`n_samples=len(minority_class)`表示抽样数量与少数类数量相同，`random_state`表示随机数种子，确保每次运行结果一致。最后，我们合并多数类和少数类，并打乱数据集，最终输出到`downsampled_data.csv`文件中。