StratifiedGroupKFold 产生空测试折，先数独立分组而非样本

分组交叉验证跑到某一折，模型突然报训练集或测试集为空。数据有很多行也不能排除配置问题：如果独立 groups 只有两个，却要求三折，分组约束下就不可能给每个测试折分到不同的组。

scikit-learn 1.8.0 的 StratifiedGroupKFold 在这个不可行配置上可能直接生成空折，失败于是推迟到模型拟合或评分阶段。1.9.0 已增加检查，n_splits 大于独立组数时明确抛出 ValueError。升级后提早报错，是在指出输入约束，不是升级又破坏了一份合法数据。

在训练前检查独立组数

下面保留一个具体触发形状：12 个样本，实际只有两组。

import numpy as np
from sklearn.model_selection import StratifiedGroupKFold

y = np.array([0, 2, 2, 2, 1, 2, 1, 1, 0, 0, 0, 0])
groups = np.array([0, 0, 1, 1, 0, 1, 1, 0, 1, 1, 0, 1])
X = np.ones((len(y), 1))
n_splits = 3
n_groups = len(np.unique(groups))
print("samples:", len(y), "groups:", n_groups)
if n_splits > n_groups:
    raise ValueError("独立分组不足，不能完成所要求的分组交叉验证")

分组键应表达真实的独立单位，例如受试者、设备或会话。不能把同一人的不同记录改成独立组来凑够折数，那会使同源样本进入训练与测试，改变评估含义。

对于这份数据，可以减少为两折，再核对每一折的组隔离和样本数量：

cv = StratifiedGroupKFold(n_splits=2, shuffle=False)
for train, test in cv.split(X, y, groups):
    assert len(train) > 0 and len(test) > 0
    assert set(groups[train]).isdisjoint(set(groups[test]))
    print(len(train), len(test), np.unique(y[train]), np.unique(y[test]))

如果项目需要的独立组确实不足，应补充数据或重新设计评估。LeaveOneGroupOut 可作为逐组留出的另一种明确方案，但它的折数与评估方式不同，不能悄悄替换后仍报告原来的固定 k 折成绩。

空折检查仍需保留

n_groups >= n_splits 只是必要条件，不是每份数据都能实现理想类别平衡的保证。每类分布、组大小和分配算法都会影响结果；少数组可能只包含单一类别，测试折中缺类也会影响某些评分指标。

因此，更新到包含检查的版本后，仍应在调用训练器之前遍历实际 splits，检查非空、组隔离及评分所需类别。不要捕获空折异常后跳过这一折再对剩余分数取平均，那会把评估设计的失败隐藏成一个看似完整的 k 折结果。

如果独立组数已经足够却仍出现空折，继续保存具体 y、groups 和分配结果进行排查。这项修复针对组数少于折数的入口检查，不承诺解决组索引映射、浮点平分决策或所有分层质量问题。