from imblearn.over_sampling import SMOTE
over_samples = SMOTE(random_state=0)
# x为去除y和ID的数据，y为标签（label）
x, y = over_samples.fit_sample(x, y)
y
SMOTE(ratio=’auto’, random_state=None, k_neighbors=5, m_neighbors=10,
out_step=0.5, kind=’regular’, svm_estimator=None, n_jobs=1)
ratio：用于指定重抽样的比例，如果指定字符型的值，可以是’minority’，表示对少数类别的样本进行抽样、
’majority’，表示对多数类别的样本进行抽样、’not minority’表示采用欠采样方法、’all’表示采用过采样方法，
默认为’auto’，等同于’all’和’not minority’；如果指定字典型的值，其中键为各个类别标签，值为类别下的样本量；
random_state：用于指定随机数生成器的种子，默认为None,表示使用默认的随机数生成器；
k_neighbors：指定近邻个数，默认为5个；
m_neighbors：指定从近邻样本中随机挑选的样本个数，默认为10个；
kind：用于指定SMOTE算法在生成新样本时所使用的选项，默认为’regular’，表示对少数类别的样本进行随机采样，
也可以是’borderline1’、’borderline2’和’svm’；
svm_estimator：用于指定SVM分类器，默认为sklearn.svm.SVC，该参数的目的是利用支持向量机分类器生成支持向量，
然后再生成新的少数类别的样本；
n_jobs：用于指定SMOTE算法在过采样时所需的CPU数量，默认为1表示仅使用1个CPU运行算法，即不使用并行运算功能；
