我拥有一个标注好的数据集，四个类别，其中一个类别样本数量过大，需要提供一个的随机欠采样的完整代码，需要直接输入就能使用，需要显示处理前后的结果

好的，以下是一个简单的随机欠采样代码。假设你的数据集的标签列为 `label`，需要将该列作为参数输入：

import pandas as pd
import numpy as np
from sklearn.utils import resample

def random_undersample(df, label_col):
    # 统计各类别数量
    class_counts = df[label_col].value_counts()
    # 找到数量最少的类别
    min_class_count = class_counts.min()
    # 对每个类别进行欠采样
    df_undersampled = pd.DataFrame()
    for label in class_counts.index:
        # 如果该类别数量大于等于最少类别数量，则不进行欠采样
        if class_counts[label] >= min_class_count:
            df_undersampled = pd.concat([df_undersampled, df[df[label_col]==label]])
        # 否则进行欠采样
        else:
            df_class = df[df[label_col]==label]
            df_undersampled = pd.concat([df_undersampled, resample(df_class, replace=False, n_samples=min_class_count)])
    return df_undersampled

使用方法：

# 读取数据集，label_col 为标签列名
df = pd.read_csv('your_dataset.csv')
undersampled_df = random_undersample(df, 'label')
# 打印处理前后的样本数量
print('Original dataset shape:', df.shape)
print('Undersampled dataset shape:', undersampled_df.shape)

其中，`resample` 函数是来自于 `sklearn.utils` 的欠采样函数，`replace=False` 表示不放回采样，`n_samples` 表示采样数量。