序列不平衡类别下采样代码

下采样是一种常见的解决类别不平衡问题的方法之一。下面是一个简单的 Python 代码示例，用于在序列不平衡的情况下进行下采样：

import random

def downsample(X, y, target_size):
    """
    X: 输入序列
    y: 对应的标签
    target_size: 下采样后的目标序列大小
    """
    class_counts = {}
    for label in y:
        if label not in class_counts:
            class_counts[label] = 0
        class_counts[label] += 1
    
    new_X = []
    new_y = []
    for label in class_counts:
        if class_counts[label] >= target_size:
            # 如果该类别的样本数已经大于等于目标样本数，直接加入新序列
            indices = [i for i, x in enumerate(y) if x == label]
            new_X.extend([X[i] for i in indices[:target_size]])
            new_y.extend([label] * target_size)
        else:
            # 否则对该类别进行下采样
            indices = [i for i, x in enumerate(y) if x == label]
            new_X.extend([X[i] for i in indices])
            new_y.extend([label] * len(indices))
            while len(new_y) < target_size:
                idx = random.randint(0, len(indices)-1)
                new_X.append(X[indices[idx]])
                new_y.append(label)
    
    return new_X, new_y

使用示例：

X = ["hello", "world", "how", "are", "you", "doing", "today", "I", "am", "fine"]
y = [0, 0, 0, 0, 0, 0, 1, 1, 1, 1]

new_X, new_y = downsample(X, y, 4)
print(new_X)  # ["hello", "world", "how", "are", "I", "am", "fine"]
print(new_y)  # [0, 0, 0, 0, 1, 1, 1]

在上面的示例中，我们将目标序列大小设置为 4，由于类别 0 中的样本数大于 4，因此我们直接选择了前 4 个样本，类别 1 中的样本数小于 4，因此我们对其进行了下采样，最终得到了大小为 4 的新序列。