如何解决采样数据帧可保持所有水平的因子变量
我需要采样一个数据框架，以保持结果中所有因素的水平。然后，我想获得该样本的补充，即那些不属于样本的行。我的最终目标是为回归分析创建培训和测试样本。为了成功做到这一点，我需要确保所有水平的因子变量都可以在训练样本中得到体现。
我尝试过的方法（下面的示例代码）是将dplyr :: group_by与dplyr :: slice_sample结合使用，然后使用dplyr :: anti_join来获得测试样本。由于某种原因，它不起作用。我可能会错过一些有关这些功能应该如何工作的信息，或者它们的表现不符合预期。
我还尝试了基于this question的方法。它们没有用，是因为（1）我需要保证代表多重因素的所有水平，并且（2）我想选择一定比例的观测值，而不是特定的数量。
示例代码
> library(tidyverse)
>
> set.seed(72)
>
> data <- tibble(y = rnorm(100),x1 = rnorm(100),+ x2 = sample(letters,100,T),x3 = sample(LETTERS,T))
> data
# A tibble: 100 x 4
y x1 x2 x3
<dbl> <dbl> <chr> <chr>
1 1.37 -0.737 c C
2 1.16 1.66 c T
3 0.0344 -0.319 q P
4 1.03 -0.963 k C
5 0.636 0.961 i H
6 0.319 0.761 g L
7 0.216 0.860 u M
8 1.31 0.887 g M
9 -0.594 2.70 m I
10 -0.542 0.517 u C
# … with 90 more rows
>
> train_data <- data %>%
+ group_by(x2,x3) %>%
+ slice_sample(prop = .7)
> train_data # clearly this is not what I want
# A tibble: 8 x 4
# Groups: x2,x3 [8]
y x1 x2 x3
<dbl> <dbl> <chr> <chr>
1 1.23 -0.297 c A
2 1.11 0.689 e O
3 0.559 0.353 e Z
4 -1.65 -1.71 l M
5 -0.777 1.31 l X
6 0.784 0.309 s E
7 0.755 -0.362 u X
8 -0.768 0.292 v H
>
> test_data <- data %>%
+ anti_join(train_data)
Joining,by = c("y","x1","x2","x3")
> test_data # my goal was that the training data would have 70% and the test data would have around 30% of the full sample.
# A tibble: 92 x 4
y x1 x2 x3
<dbl> <dbl> <chr> <chr>
1 1.37 -0.737 c C
2 1.16 1.66 c T
3 0.0344 -0.319 q P
4 1.03 -0.963 k C
5 0.636 0.961 i H
6 0.319 0.761 g L
7 0.216 0.860 u M
8 1.31 0.887 g M
9 -0.594 2.70 m I
10 -0.542 0.517 u C
# … with 82 more rows
>
> reg <- lm(y ~ x1 + x2 + x3,train_data)
> predict(reg,newdata = test_data) # I obviously still have the same problem
Error in model.frame.default(Terms,newdata,na.action = na.action,xlev = object$xlevels) :
factor x2 has new levels a,b,d,f,g,h,i,j,k,m,n,o,p,q,r,t,w,x,y,z
>
>
解决方法
我必须将您的数据扩展到10,000行，以使每个分类变量组合获得合理数量的观察值。然后，我使用了nest_by()（版本1.0.1）中的dplyr，并采样了每个子集。
library(dplyr)
set.seed(72)
data <- tibble(y = rnorm(10000),x1 = rnorm(10000),x2 = sample(letters,10000,T),x3 = sample(LETTERS,T))
train <- data %>%
nest_by(x2,x3,.key = "xy") %>%
mutate(sample = list(xy[sample(1:nrow(xy),size = round(0.7*nrow(xy))),])) %>%
select(-xy) %>%
summarize(sample)
train
# A tibble: 6,975 x 4
# Groups: x2,x3 [676]
x2 x3 y x1
<chr> <chr> <dbl> <dbl>
1 a A -0.539 -1.22
2 a A -0.664 0.453
3 a A -1.32 -0.831
4 a A 0.765 0.258
5 a A -0.462 0.764
6 a A 1.86 -0.0400
7 a A -1.15 1.02
8 a A 0.244 -0.823
9 a A -0.277 -0.744
10 a A 0.221 -0.292
# ... with 6,965 more rows
test <- data%>%
anti_join(train)
test
# A tibble: 3,025 x 4
y x1 x2 x3
<dbl> <dbl> <chr> <chr>
1 0.636 1.71 b P
2 0.319 -0.851 b K
3 1.31 -1.61 r A
4 -1.03 0.436 a B
5 -0.672 -1.43 g O
6 -1.42 -0.637 l L
7 0.879 -1.78 t G
8 0.935 -1.44 g C
9 -2.21 -0.842 v F
10 -1.00 -2.40 i D
# ... with 3,015 more rows
我可以正常运行您的lm()和predict()。
如果您使用的是train的旧版本，则这里的dplyr制作方法略有不同。
library(dplyr)
library(tidyr)
library(purrr)
train <-data %>%
nest(x2,x3) %>%
mutate(sample = map(data,function(df) {df[sample(1:nrow(df),round(0.7*nrow(df))),]}) %>%
select(-data) %>%
unnest(sample)
您的代码/方法没有问题。您没有足够的观察力。许多组中只有1行，当以0.7比例进行采样时会将其舍入为0。如果将样本更改为1000行，则相同的代码可以正常工作而不会出错。
library(dplyr)
data <- tibble(y = rnorm(1000),x1 = rnorm(1000),1000,T))
train_data <- data %>%
group_by(x2,x3) %>%
slice_sample(prop = 0.7)
test_data <- data %>% anti_join(train_data)
reg <- lm(y ~ x1 + x2 + x3,train_data)
predict(reg,newdata = test_data)
如果在实际数据中您只有低至1行的组，则可以对其进行采样，以使其选择1的max或（0.7 *组中的行数）。
train_data <- data %>% group_by(x2,x3) %>% sample_n(max(0.7*n(),1))
（此处使用sample_n是因为我无法在n()中使用slice_sample）。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。