机器学习入门-数据过采样（上采样）1. SMOTE

from imblearn.over_sampling import SMOTE  # 导入

overstamp = SMOTE(random_state=0)

# 对训练集的数据进行上采样，测试集的数据不需要
SMOTE_train_x, SMOTE_train_y = overstamp.fit_sample(train_x, train_y)

由于数据分布的不均衡，因此对数据进行上采样，上采样的数据指的是将少数的样本扩增到与多数样本相同的样本数

使用的方法：

取少数样本中的一个数据，求出该样本与其他样本的距离，根据欧式距离进行排序，取出前5个数据

新数据的位置   X_new = X + rand(0, 1) * distance     X表示当前数据的位置， distance表示与另外一个数据的欧式距离，乘上了一个随机值

# 进行数据过采样操作
from imblearn.over_sampling import SMOTE
from sklearn.cross_validation import train_test_split

X = data.loc[:, data.columns != 'Class']
y = data.loc[:, data.columns == 'Class']

train_x, test_x, train_y, test_y = train_test_split(X, y, test_size=0.3, random_state=0)
overstamp = SMOTE(random_state=0)

SMOTE_train_x, SMOTE_train_y = overstamp.fit_sample(train_x, train_y)
# 统计数据的标签0，1个数
print(pd.value_counts(SMOTE_train_y, sort=True).sort_index())