Kmeans Smote对不平衡数据集Data.csv数据集的处理，将平衡好的数据存储在新的csv文件中

下面是使用K-means SMOTE算法进行过采样的Python示例代码，处理不平衡数据集`Data.csv`，并将平衡好的数据存储在新的csv文件中：

import pandas as pd
from imblearn.over_sampling import KMeansSMOTE
from sklearn.model_selection import train_test_split

# 读取不平衡数据集
data = pd.read_csv("Data.csv")

# 数据集划分为特征和标签
X = data.drop("Class", axis=1)
y = data["Class"]

# 使用K-means SMOTE算法进行过采样
kmeans_smote = KMeansSMOTE(k_neighbors=5, random_state=10)
X_resampled, y_resampled = kmeans_smote.fit_resample(X, y)

# 将平衡好的数据存储在新的csv文件中
df = pd.DataFrame(X_resampled, columns=X.columns)
df["Class"] = y_resampled
df.to_csv("Balanced_Data.csv", index=False)

上述代码中，我们首先使用`pandas`库读取了不平衡数据集`Data.csv`，然后将数据集划分为特征和标签。接着，我们使用`KMeansSMOTE`算法进行过采样，其中`k_neighbors`表示在SMOTE算法中选取的k个近邻样本的数量。最后，我们将平衡好的数据存储在新的csv文件`Balanced_Data.csv`中，其中`index=False`表示不将行索引写入文件中。