我有一个在线采购订单数据集，其中包含两种类型的客户：
为了避免失真并确保我的训练/测试数据集在已知和未知客户方面具有相同的分布，我想选择一个训练/测试集，如下所示：
包含要拆分的已知客户的数据集部分 80/20。
包含未知客户的数据集部分将被拆分 80/20（此处子数据集的选择将取决于订单未链接到客户（= 链接到默认客户编号）的规则。
在 Scikit-learn 中，我需要设置 X(features) 和 Y(target) 才能进行 train_test_split。我的问题是将我的数据框拆分为：
然后为 df1 和 df2 分别设置 X、Y 和 x_train、x_test、y_train、y_test，然后将结果合并为一个并继续构建模型的其余部分？
这是一个好方法还是有其他解决方案？
只保留一个数据框
添加一列（如果不可用）来标记 - 访客或客户
然后，只需在该列上使用分层标志进行拆分
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=19, stratify=data['guest'])
stratify : 类似数组，默认 = None
如果不是 None，则数据以分层方式拆分，将其用作类标签
我同意前面所说的意见。作为替代方案，如果您发现客户的行为是否是客人，也取决于您使用的模型，那么使用两种不同的模型可能是有意义的。例如，如果您知道将使用 LogisticRegression 而不是常规客户的行为分布在更大范围内，那么您可能通过使用两个 Logistic 回归（一个用于常规客户，另一个用于访客客户）获得更好的分数。
欢迎来到 StackExchange 的数据科学，
实现此目的的一种方法是使用 train_test_split 中的 stratify 选项，因为您已经在使用该功能（这也可以确保您的标签均匀分布，在建模不平衡数据集时非常有用）：
训练，测试 = train_test_split(df, test_size=0.50, stratify=df['B'])
在我的示例中，您可以看到 B 列中有 2 个值，它们平均分布在 2 个数据集中。在您的情况下，B 将是指示拥有帐户和没有帐户的客户的列。
是否有可能执行以下操作：
保留一个数据集，但为这些未知客户提供每个唯一订单号的唯一编号。
比如用相同的代码更新客户代码列，比如唯一的订单号，前面加上一些表明它以前是未知客户的东西。