如何实现样本的平均化，让不同类别的样本数量趋于一致。给出具体的代码。

实现样本的平均化，可以使用过采样（oversampling）和欠采样（undersampling）等方法。其中，欠采样是随机从多数类中删除一些样本，使得多数类与少数类样本数量接近，而过采样是复制少数类的部分样本，使得多数类与少数类样本数量接近。

以下是一个简单的欠采样的代码实现，假设我们的数据集中有两个类别 0 和 1，其中类别 0 的样本数量较多：

import numpy as np
from collections import Counter
from sklearn.datasets import make_classification
from imblearn.under_sampling import RandomUnderSampler

# 生成样本不平衡的数据集
X, y = make_classification(n_classes=2, class_sep=2,
                            weights=[0.9, 0.1], n_informative=3,
                            n_redundant=1, flip_y=0, n_features=20,
                            n_clusters_per_class=1, n_samples=1000,
                            random_state=10)

# 查看原始数据集中各类别的样本数量
print('Original dataset shape %s' % Counter(y))

# 进行欠采样，使得两个类别的样本数量接近
rus = RandomUnderSampler(random_state=42)
X_res, y_res = rus.fit_resample(X, y)

# 查看欠采样后的数据集中各类别的样本数量
print('Resampled dataset shape %s' % Counter(y_res))

上述代码中，我们使用了 `make_classification` 生成了一个样本不平衡的数据集，接着使用 `RandomUnderSampler` 进行欠采样，使得两个类别的样本数量接近。最后，我们使用 `Counter` 函数查看了欠采样后的数据集中各类别的样本数量。