Question

我知道如何将数据集完全随机地分成两半没问题，但是我理解＆＃34;逻辑上＆＃34;如何去做我想做的事，这里的扭曲似乎让我失望。

所以我有一个带有分类变量Title的数据集，它有120个级别。每个级别有50个观察值。我想以这样的方式将数据集分成两半，其中半集A和半集B中的每一个在Title的每个级别中获得50个观察值中的随机25个。（这是针对全民教育和终审法院的）

我认为它会涉及一个for循环来遍历120个级别和sample(nrow(subset(dataset,title=index), 25)，但我有点失去了。我所考虑的几个小的潜在解决方案是为半套A选择随机25但是有替换，所以当我再次运行它以制作半套B时，它有一些重叠。

示例数据：

set.seed(1)
dataset = data.frame(id = rep(1:120, 50), v = rnorm(120*50))

一如既往地感谢大家。

Answer 1

我会group_by按标题添加数据，然后在每个数据中sample获取随机排序，并将其用于split data.frame

#some data
df <- data.frame(title = letters[1:5], col = rnorm(30))

library(dplyr)
df2 <- df %>% group_by(title) %>% mutate(group = sample(n())/n() > 0.5)
split(df2, df2$group)

Answer 2

考虑使用插入符号包。以下代码使用了他们的说明：

library(caret)
set.seed(1); DF = data.frame(id = rep(1:120, 50), v = rnorm(120*50))
trainIndex <- createDataPartition(DF$id, p = .5,
                                  list = FALSE,
                                  times = 1)

DFTrain <- DF[ trainIndex,]
DFTest  <- DF[-trainIndex,]
table(DFTrain$id)

有关使用Caret包进行数据拆分的更多信息： Data Splitting

Answer 3

这是一个经典的拆分 - 应用 - 组合问题。使用虹膜数据：

x <- do.call(rbind,lapply(split(iris,iris$Species), function(x) x[sample(round(nrow(x)/2)),]))
summary(x)
  Sepal.Length    Sepal.Width     Petal.Length    Petal.Width   
 Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100  
 1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.550   1st Qu.:0.300  
 Median :5.800   Median :3.000   Median :4.500   Median :1.400  
 Mean   :5.872   Mean   :3.061   Mean   :3.804   Mean   :1.212  
 3rd Qu.:6.450   3rd Qu.:3.350   3rd Qu.:5.100   3rd Qu.:1.800  
 Max.   :7.700   Max.   :4.400   Max.   :6.900   Max.   :2.500  
       Species  
 setosa    :25  
 versicolor:25  
 virginica :25

或者，您可以通过对拆分变量中每个级别的行进行采样来选择数据框中的行：

y <- iris[unlist(lapply(levels(iris$Species), function(x) sample(which(iris$Species==x),round(sum(iris$Species==x)/2)))),]
summary(y)
  Sepal.Length    Sepal.Width    Petal.Length    Petal.Width          Species  
 Min.   :4.300   Min.   :2.00   Min.   :1.000   Min.   :0.100   setosa    :25  
 1st Qu.:5.100   1st Qu.:2.70   1st Qu.:1.500   1st Qu.:0.350   versicolor:25  
 Median :5.700   Median :3.00   Median :4.200   Median :1.300   virginica :25  
 Mean   :5.784   Mean   :3.02   Mean   :3.725   Mean   :1.204                  
 3rd Qu.:6.400   3rd Qu.:3.30   3rd Qu.:5.250   3rd Qu.:1.800                  
 Max.   :7.900   Max.   :4.40   Max.   :6.600   Max.   :2.500

将数据集拆分为一半，随机选择每个级别的所选变量的一半

3 个答案: