有没有办法划分每个样本中具有相同分类值比例的数据集？

如何解决有没有办法划分每个样本中具有相同分类值比例的数据集？

我对 R 很陌生，但我有一个问题。我有一个数据集（长度为 1593 obs），其中包含一个字符类型变量，其中包含多个字符串，以及一个因子变量，其中包含 2 个级别 -0 和 1- 对应于每个字符串。为了创建一个分类，我想将这个数据集的 75% 作为测试和 25% 作为训练样本，但我也希望在测试和训练样本中都有相同比例的 0。有没有办法做到这一点？

这是我的数据集的结构

data.frame':    1593 obs. of  6 variables:
 $ match_id: int  0 0 0 0 0 0 0 0 0 0 ...
 $ Binary  : Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 1 2 ...
 $ key     : chr  "force it" "space created" "hah" "ez 500" ...

注意：我实际上是在遵循 Brett Lantz 所著的“Machine Learning with R”一书中的代码并将它们应用于我的数据集。我想在我的数据集中实现的部分是书中的这一部分：

To confirm that the subsets are representative of the complete set of SMS data,let's
compare the proportion of spam in the training and test data frames:
> prop.table(table(sms_raw_train$type))
ham        spam
0.8647158 0.1352842
> prop.table(table(sms_raw_test$type))
ham         spam
0.8683453 0.1316547
Both the training data and test data contain about 13 percent spam. This suggests
that the spam messages were divided evenly between the two datasets.

感谢您的帮助

解决方法

caret 包中的 createDataPartition() 函数通常用于此目的，例如

library(caret)
set.seed(300)
trainIndex <- createDataPartition(iris$Species,p = .75,list = FALSE,times = 1)
irisTrain <- iris[ trainIndex,]
irisTest  <- iris[-trainIndex,]

str(irisTrain)
>'data.frame':  114 obs. of  5 variables:
> $ Sepal.Length: num  5.1 4.9 4.7 5 5.4 4.6 5 4.4 5.4 4.8 ...
> $ Sepal.Width : num  3.5 3 3.2 3.6 3.9 3.4 3.4 2.9 3.7 3.4 ...
> $ Petal.Length: num  1.4 1.4 1.3 1.4 1.7 1.4 1.5 1.4 1.5 1.6 ...
> $ Petal.Width : num  0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.2 0.2 ...
> $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 >...

str(irisTest)
>'data.frame':  36 obs. of  5 variables:
> $ Sepal.Length: num  4.6 4.9 5.1 5.1 4.6 4.8 5.2 5.5 5.5 5.1 ...
> $ Sepal.Width : num  3.1 3.1 3.5 3.8 3.6 3.1 4.1 4.2 3.5 3.8 ...
> $ Petal.Length: num  1.5 1.5 1.4 1.5 1 1.6 1.5 1.4 1.3 1.9 ...
> $ Petal.Width : num  0.2 0.1 0.3 0.3 0.2 0.2 0.1 0.2 0.2 0.4 ...
> $ Species     : Factor w/ 3 levels "setosa",..: 1 1 1 1 1 1 1 1 1 1 >...

prop.table(table(irisTrain$Species))
>    setosa versicolor  virginica 
> 0.3333333  0.3333333  0.3333333 

prop.table(table(irisTest$Species))
>   setosa versicolor  virginica 
> 0.3333333  0.3333333  0.3333333 

这提供了一个伪随机~分层抽样到训练和测试队列中，这是我在我自己的工作中使用的。

,

如果你不想打乱数据并把每组的前 75% 作为训练，你可以做一些简单的事情

data <- data %>%
  group_by(Binary) %>%
  mutate(is_train = row_number() <= 0.75 * n()) %>%
  ungroup()

如果你想打乱数据，只需使用 sample.int(n()) 而不是 row_number()。

一旦有了标志，您就可以轻松地从训练和测试集中过滤数据。

train_data <- filter(data,is_train)
test_data <- filter(data,!is_train)