Question

目标：将数据帧随机分成3个样本。

一个包含60％行的样本
其他两个样本，行数为20％
样品不应与其他样品重复（即样品无需更换）。

这是一个笨重的解决方案：

allrows <- 1:nrow(mtcars)

set.seed(7)
trainrows <- sample(allrows, replace = F, size = 0.6*length(allrows))
test_cvrows <- allrows[-trainrows]
testrows <- sample(test_cvrows, replace=F, size = 0.5*length(test_cvrows))
cvrows <- test_cvrows[-which(test_cvrows %in% testrows)]

train <- mtcars[trainrows,]
test <- mtcars[testrows,]
cvr <- mtcars[cvrows,]

必须有一些更容易的东西，也许在一个包中。 dplyr具有sample_frac功能，但这似乎针对单个样本，而不是分成多个样本。

关闭，但不是这个问题的答案： Random Sample with multiple probabilities in R

Answer 1

你需要分区准确吗？如果没有，

set.seed(7)
ss <- sample(1:3,size=nrow(mtcars),replace=TRUE,prob=c(0.6,0.2,0.2))
train <- mtcars[ss==1,]
test <- mtcars[ss==2,]
cvr <- mtcars[ss==3,]

应该这样做。

或者，正如@Frank在评论中所说，您可以split()原始数据将它们作为列表的元素：

mycars <- setNames(split(mtcars,ss), c("train","test","cvr"))

Answer 2

不是最漂亮的解决方案（特别是对于较大的样本），但它确实有效。

file_uploads = On
upload_tmp_dir = /var/www/tmpdir/
upload_max_filesize = 1024M

Answer 3

无需替换的选项

使用插入包。

library(caret)

inTrain <- createDataPartition(mtcars$mpg, p = 0.6, list = FALSE)
train <- mtcars[inTrain, ]
inTest <- createDataPartition(mtcars$mpg[-inTrain], list = FALSE)
test <- mtcars[-inTrain,][inTest, ]
cvr <- mtcars[-inTrain,][-inTest, ]

基础包。

## splitData
# y column of data to create split on
# p list of percentage split
splitData <- function(y, p = c(0.5)){
  if(sum(p) > 1){
    stop("sum of p cannot exceed 1")
  }

  rows <- 1:length(y)

  res <- list()

  n_sample = round(length(rows) * p)
  for( size in n_sample){
    inSplit <-  sample.int(length(rows), size)
    res <- c(res, list(rows[inSplit]))
    rows <- rows[-inSplit]
  }

  if(sum(as.matrix(p)) < 1){
    res <- c(res, list(rows))
  }

  res
}

split_example_2 <- splitData(mtcars$mpg, p = c(0.6, 0.2))
split_example_3 <- splitData(mtcars$mpg)

Answer 4

如果您想获得每个组的准确且可复制的数字（请记住，组的大小必须是整数，并尽可能接近比例地分割），而不是每次允许组大小随机变化您执行随机分割时，请尝试：

sample_size <- nrow(mtcars)
set_proportions <- c(Training = 0.6, Validation = 0.2, Test = 0.2)
set_frequencies <- diff(floor(sample_size * cumsum(c(0, set_proportions))))
mtcars$set <- sample(rep(names(set_proportions), times = set_frequencies))

然后，您可以简单地通过以下方式将其拆分为数据帧列表

mtcars <- split(mtcars, mtcars$set)

例如验证集的数据框现在以mtcars$Validation的形式访问，或者您也可以拆分为以下单独的数据框：

mtcars_train <- mtcars[mtcars$set == "Training", ]
mtcars_validation <- mtcars[mtcars$set == "Validation", ]
mtcars_test <- mtcars[mtcars$set == "Test", ]

在某些情况下，例如这种情况，您无法精确地拆分数据60％，20％，20％，但是这种方法保证了两个20％集的大小彼此之间不应超过一个：

> set_frequencies
  Training Validation       Test 
        19          6          7

检查它是否按预期工作：

> table(mtcars$set)

      Test   Training Validation 
         7         19          6

（基于Ben Bolker的回答和liori的评论。）

在R中随机抽样数据帧为3组

4 个答案: