Elysia Tools

在一个清晰的工作台里浏览工具、案例、可视化和主题指南。

热门分类

专题

语言
ZHDERUPTENFRES

Elysia Tools

导航

Data Analysis

训练/测试集分层切分器

· 最后更新:2026-08-21

读取 CSV/JSON 数据集,按目标列做分层抽样的 train/validation/test 切分(默认 70/15/15,随机种子可复现),或分层 k 折交叉验证;输出每折类别分布报告与偏差条、重复行泄漏检查、SMOTE 过采样预览(仅在训练折上做最近邻插值),并可导出各折 CSV 为 ZIP。

详情

这个工具可以帮你完成什么

分层切分:对每个类别分别用种子化 PRNG(mulberry32)洗牌,再按最大余数法把该类成员分配到各切分,使每折类别占比贴合原数据集;k 折模式按 StratifiedKFold 语义:每类洗牌后轮转分配到各折(第 j 个成员进第 j mod k 折)。SMOTE(Chawla 等 2002)仅在训练折上预览:对少数类样本 xi 取其 k=5 个少数类近邻之一 xz,合成 xnew = xi + λ·(xz − xi),λ∈U(0,1),仅使用数值特征列(欧氏距离)。随机种子保证同一种子同一结果(与 numpy 的 PCG64 流不同,但行为等价且已文档化)。稀有类保护:任何类别样本数少于切分数时给出警告;k 折时 k 超过最小类别样本数则按 sklearn 行为直接拒绝。

执行

运行这个工具

填写表单、运行工具,并在同一页面查看结果。

案例

与这个工具匹配的案例

相关内容

继续查看相关工具与专题

由 Elysia Tools 团队编写

工具使用指南

详细了解工具的适用范围、支持能力及用户案例。

关键事实

分类
Data Analysis
输入类型
file, textarea, text, select, number, checkbox
输出类型
html
案例覆盖
4
API 可用
是

概览

训练/测试集分层切分器支持上传 CSV 或 JSON 格式的数据集,按照指定的目标类别列进行严格的分层抽样切分,提供标准训练/验证/测试集划分与分层 k 折交叉验证两种模式。工具基于可复现的随机种子洗牌,输出各分区的类别比例偏差报告、数据泄露重复行检查及针对训练集的 SMOTE 过采样预览,并支持一键打包下载各折 CSV 与切分清单文件。

适用场景

  • 在构建分类模型前,需要保持训练集、验证集和测试集中各类别标签比例与原始数据完全一致时。
  • 面对类别不平衡数据,需要在训练子集上评估 SMOTE 插值效果并防止测试集数据泄露时。
  • 进行 k 折交叉验证时,需要确保每一折验证集的类别分布均匀且划分结果完全可复现。

使用方式

  1. 1解析上传的文件或文本数据,依据指定的目标列对每个类别样本分别使用种子化伪随机算法(mulberry32)与 Fisher–Yates 进行洗牌。
  2. 2在标准模式下采用最大余数法按比例分配样本,在 k 折模式下采用轮转分配法(StratifiedKFold)将各类别样本均匀分入各折。
  3. 3在各切分之间执行跨子集重复行碰撞检测以发现数据泄露,并根据数值列与欧氏距离为训练折计算 SMOTE 最近邻合成样本预览。
  4. 4生成各分区的类别占比与偏差分析报告,并将划分好的各折数据集连同 split_report.json 打包为 ZIP 压缩包供下载。

常见用途

  • 客户流失预测建模:将高流失率与低流失率客户按 70/15/15 比例分层切分,确保评估集反映真实业务分布。
  • 文本情感分类验证:对包含正面、中立、负面三分类的小型文本数据集进行 4 折或 5 折分层交叉验证。
  • 金融欺诈检测预处理:针对极低比例欺诈标签进行分层划分,并在训练折预览 SMOTE 过采样后的数据平衡效果。

同类对比

  • 从 CSV 或 JSON 时间序列数据中预测未来数期,并在一份报告中查看趋势、季节项和残差分解

  • 根据 CSV 数据推断关系型 schema,并为 PostgreSQL、MySQL、SQLite 或 SQL Server 生成建表和 ALTER 迁移计划

  • 把 CSV 或 Excel 行数据转换为适用于 Article、Product、Event 的 Schema.org JSON-LD,方便 SEO 团队直接验证

适合谁

适合

  • 在浏览器中转换CSV 文件。
  • 需要设置切分模式的工作流,例如训练 / 验证 / 测试或分层 k 折交叉验证。
  • “Stratified 70/15/15 split of a small sentiment dataset”这类工作流,一次完成。

不适合

  • 完全自动化的批量任务——本页面面向交互使用,脚本请调用 API 端点。
  • 本工具不支持的格式文件——它只接受.csv, .json作为输入。

常见失败与 edge cases

  • 字节顺序标记(BOM)

    文件开头的 UTF-8 BOM 可能在第一个列名里显示为乱码字符。

  • 超大文件

    大文件处理更慢,还可能触及浏览器内存上限——请先用小样本测试。

  • 不检查输出结果

    正式使用前,请先把输出的前几行或前几页与输入对照检查。

示例

1. 三分类情感文本数据集分层切分

NLP 算法工程师

背景

正在开发一个用户评论情感分类模型,数据集包含正面、负面、中立三种标签,样本总量较少且各类别数量不均。

问题

普通随机划分容易导致验证集或测试集中缺少中立评论,影响模型评测客观性。

如何使用

粘贴包含 text、length 和 label 列的 CSV 内容,将目标列设为 label,选择标准模式(70/15/15),设置随机种子为 42 并导出 ZIP。

目标列: label, 切分模式: standard, 训练集: 70%, 验证集: 15%, 随机种子: 42, 按目标列分层: true, 导出 ZIP: true

结果

生成 16/5/3 的样本划分,各切分内三种类别的占比偏差极小,同时导出了 train.csv、validation.csv、test.csv 及切分报告。

2. 表格分类任务的 4 折交叉验证

数据分析师

背景

准备对结构化客户特征数据运行梯度提升树模型,需要通过交叉验证选择最优超参数。

问题

需要确保每折训练集与验证集的类别分布稳定,且每折切分完全可追溯、可复现。

如何使用

上传客户特征 CSV 数据集,指定类别标签列,切分模式选择“分层 k 折交叉验证”,设置折数为 4,勾选打乱行序并开启导出。

目标列: label, 切分模式: kfold, 折数: 4, 随机种子: 42, 按目标列分层: true, 打乱行序: true, 导出 ZIP: true

结果

成功输出 4 组 fold_i_train.csv 和 fold_i_validation.csv,每折验证集的类别比例与整体保持一致。

常见问题

什么是分层抽样(Stratification)?

分层抽样可确保切分后的训练集、验证集和测试集(或每折验证集)中各类别标签的百分比与原数据集保持一致,避免因随机抽样导致少数类样本缺失。

SMOTE 过采样会应用到测试集或验证集吗?

不会。SMOTE 仅基于训练折的少数类数值特征计算合成样本,严格避免验证集和测试集发生数据泄露。

如果某类别的样本数少于切分折数会发生什么?

在标准切分中若类别样本数少于切分数会触发稀有类警告;在 k 折模式下,若折数 k 大于最小类别的样本数,系统会直接报错拒绝以防生成空折。

相同的随机种子能保证生成完全一样的切分结果吗?

可以。工具使用确定的种子化随机数生成器(mulberry32),只要输入数据和随机种子相同,每次生成的切分结果完全一致。

工具支持哪些输入格式与导出格式?

支持输入 CSV 文件或 JSON 对象数组(也可以直接粘贴含表头的 CSV 文本),切分完成后可导出包含各折 CSV 文件及 split_report.json 报告的 ZIP 压缩包。

专题

分类数据集分层拆分、泄漏复核与交付

审查独立分类记录,固定随机种子与输入版本进行分层拆分,核对类别覆盖和泄漏风险,交付可追溯的训练、验证与测试数据。

首页
工具3212
案例593
可视化471
文件查看器103
专题239
标签333
图像、音频与视频657

图像、音频、视频处理、转换与优化工具

数学、日期与金融647

计算器、数值计算、日期逻辑、统计与金融工具

设计与颜色298

颜色、版式、图形、视觉样式与设计辅助工具

文本与写作209

写作、清洗、格式化、提取与文本分析工具

开发与 Web193

开发者工具、网络处理、Web 调试与自动化辅助工具

转换与编码175

格式、文件、压缩包、单位与编码转换工具

潜客测验发布与联系人交接
讣告、悼词与纪念卡的家属复核及交付
本地习惯记录的备份、恢复演练与分享前检查
长文改编 X 串文与 LinkedIn 帖子的事实复核与交付
Markdown 互动课件审校、离线演示与交付

© 2026 Elysia Tools. 保留所有权利。

文档价格关于我们服务条款隐私政策Cookie 政策联系我们
数据

CSV示例

各种数据类型、大小和复杂度级别的CSV示例文件

编程语言

Python 示例

Python代码示例和Hello World演示

Web 技术

WebRTC 实时通信示例

全面的 WebRTC 示例,用于点对点音视频通信、数据通道、屏幕共享和信令服务器实现

可观测性

分布式追踪示例

使用 Jaeger、OpenTelemetry 和其他现代可观测性工具的综合分布式追踪示例,适用于微服务架构

Data Analysis

时间序列预测与季节性分析

从 CSV 或 JSON 时间序列数据中预测未来数期,并在一份报告中查看趋势、季节项和残差分解

Data Processing

CSV 转数据库迁移规划器

根据 CSV 数据推断关系型 schema,并为 PostgreSQL、MySQL、SQLite 或 SQL Server 生成建表和 ALTER 迁移计划

Security

CSV/JSON 数据水印器

为 CSV 或 JSON 导出注入可见或签名式水印字段,以便后续追踪共享数据

Data Analysis

数据集不平衡检测与重采样

检测 CSV 或 JSON 数据集中的类别不平衡,对比重采样策略,并预览平衡后的输出数据集

时间序列预测与季节性分析
CSV 转数据库迁移规划器
CSV 生成 JSON-LD