写出python代码将已有多分类数据集用smote解决数据集不平衡问题

SMOTE（Synthetic Minority Over-sampling Technique）是一种常用的过采样方法，用于处理数据集中少数类别样本不足的问题。以下是使用Python的imblearn库实现SMOTE的例子，假设我们有一个名为`df`的数据框，其中`target_column`是我们需要平衡的目标列：

from imblearn.over_sampling import SMOTE
import pandas as pd

# 假设df是你的数据集
X = df.drop('target_column', axis=1)  # 特征部分
y = df['target_column']  # 目标变量

# 创建SMOTE对象
smote = SMOTE(random_state=42)

# 应用SMOTE并得到新的平衡数据
X_resampled, y_resampled = smote.fit_resample(X, y)

# 将结果整合回dataframe
df_resampled = pd.concat([pd.DataFrame(X_resampled), pd.Series(y_resampled)], axis=1)
df_resampled.columns = df.columns  # 确保列名不变

# 别忘了检查新生成的样本是否均匀分布
print(df_resampled['target_column'].value_counts())