python欠采样和过采样代码

下面是Python中的欠采样和过采样代码示例：

欠采样：

from sklearn.utils import resample

# 将少数类别的样本数量减少到和多数类别样本数量一致
df_majority = df[df.target==0]
df_minority = df[df.target==1]
df_majority_downsampled = resample(df_majority, replace=False, n_samples=len(df_minority), random_state=123)
df_downsampled = pd.concat([df_majority_downsampled, df_minority])

过采样：

from imblearn.over_sampling import SMOTE

# 使用SMOTE算法对少数类别样本进行过采样
sm = SMOTE(random_state=12)
X_train_res, y_train_res = sm.fit_resample(X_train, y_train)

相关问题

python欠采样和过采样代码的区别

欠采样和过采样都是用来处理数据不平衡问题的方法。

欠采样指的是减少数量较多的类别的样本数，使其与数量较少的类别的样本数相等或接近。过采样指的是增加数量较少的类别的样本数，使其与数量较多的类别的样本数相等或接近。

下面是python中常用的欠采样和过采样的代码示例：

欠采样（使用imblearn库中的RandomUnderSampler类）：

from imblearn.under_sampling import RandomUnderSampler

rus = RandomUnderSampler()
X_resampled, y_resampled = rus.fit_resample(X, y)

过采样（使用imblearn库中的RandomOverSampler类）：

from imblearn.over_sampling import RandomOverSampler

ros = RandomOverSampler()
X_resampled, y_resampled = ros.fit_resample(X, y)

需要注意的是，欠采样和过采样都可能会导致模型的过拟合问题，因此需要根据具体情况进行选择和调整。

python正弦信号过采样和欠采样

在信号处理中，过采样和欠采样是指将采样率设置得高于或低于信号的最小采样率，从而导致信号数据的冗余或信息丢失。

在Python中，我们可以使用SciPy库来生成正弦信号，并通过修改采样率来演示过采样和欠采样的效果。

首先，我们导入必要的库并生成一个频率为2 Hz、振幅为1的正弦信号：

import numpy as np
from scipy import signal
import matplotlib.pyplot as plt

# 生成正弦信号
fs = 20  # 采样率
t = np.linspace(0, 1, fs, endpoint=False)
x = np.sin(2 * np.pi * 2 * t)

然后，我们可以将采样率设置为原来的两倍（即40 Hz）来演示过采样的效果：

# 过采样
fs_new = 40  # 新采样率
t_new = np.linspace(0, 1, fs_new, endpoint=False)
x_new = np.interp(t_new, t, x)  # 线性插值

最后，我们可以将采样率设置为原来的一半（即10 Hz）来演示欠采样的效果：

# 欠采样
fs_new = 10  # 新采样率
t_new = np.linspace(0, 1, fs_new, endpoint=False)
x_new = signal.resample(x, fs_new)  # 重采样

在过采样的情况下，我们可以看到信号数据变得更加密集，并且频谱图中出现了重复的谱线。在欠采样的情况下，我们可以看到信号数据变得更加稀疏，并且频谱图中出现了混叠效应，即高频成分被误认为是低频成分。