已知：垃圾短信占1/10，非垃圾短信占9/10。帮我写一个python欠采样的预处理代码。

假设已经有一个数据集，其中包含垃圾短信和非垃圾短信。可以使用下面的代码进行欠采样：

import pandas as pd
from sklearn.utils import resample

# 读取数据集
df = pd.read_csv("data.csv")

# 分离垃圾短信和非垃圾短信
spam = df[df["label"] == "spam"]
ham = df[df["label"] == "ham"]

# 对垃圾短信进行欠采样
spam_downsampled = resample(spam,
                             replace=False,  # 没有重复的抽样
                             n_samples=len(ham),  # 与非垃圾短信数量相同
                             random_state=42)  # 设置随机种子

# 合并垃圾短信和非垃圾短信
df_downsampled = pd.concat([spam_downsampled, ham])

# 打乱数据集
df_downsampled = df_downsampled.sample(frac=1, random_state=42)

# 保存处理后的数据集
df_downsampled.to_csv("downsampled_data.csv", index=False)

这段代码使用了`resample`函数进行欠采样，它的参数包括：

- `replace`：是否有重复的抽样，这里设置为`False`表示不重复抽样。
- `n_samples`：抽样后的样本数量，这里设置为非垃圾短信的数量。
- `random_state`：随机种子，保证每次运行结果相同。

最后，将欠采样后的数据集打乱顺序，并保存为新的CSV文件。