我刚刚开始使用R，我不知道如何将我的数据集与以下示例代码合并：
sample(x, size, replace = FALSE, prob = NULL)
我有一个数据集，我需要进行培训（75％）和测试（25％）设置。我不确定我应该把什么信息放入x和大小？ x是数据集文件，并确定了我有多少个样本？
有许多方法可以实现数据分区。有关更完整的方法，请查看createDataPartition包中的caret函数。
这是一个简单的例子：
data(mtcars)
## 75% of the sample size
smp_size <- floor(0.75 * nrow(mtcars))
## set the seed to make your partition reproducible
set.seed(123)
train_ind <- sample(seq_len(nrow(mtcars)), size = smp_size)
train <- mtcars[train_ind, ]
test <- mtcars[-train_ind, ]
我的解决方案将行排空，然后将前75％的行作为列，将最后的25％作为测试。超级简单！
row_count <- nrow(orders_pivotted)
shuffled_rows <- sample(row_count)
train <- orders_pivotted[head(shuffled_rows,floor(row_count*0.75)),]
test <- orders_pivotted[tail(shuffled_rows,floor(row_count*0.25)),]
scorecard包具有一个有用的功能，您可以在其中指定比率和种子
library(scorecard)
dt_list <- split_df(mtcars, ratio = 0.75, seed = 66)
测试和训练数据存储在列表中，可以通过调用dt_list$train和dt_list$test来访问
在一个函数下面创建一个相同大小的list子样本，这个子样本不是你想要的，但可能对其他人有用。在我的例子中，在较小的样本上创建多个分类树来测试过度拟合：
df_split <- function (df, number){
sizedf <- length(df[,1])
bound <- sizedf/number
list <- list()
for (i in 1:number){
list[i] <- list(df[((i*bound+1)-bound):(i*bound),])
}
return(list)
}
示例：
x <- matrix(c(1:10), ncol=1)
x
# [,1]
# [1,] 1
# [2,] 2
# [3,] 3
# [4,] 4
# [5,] 5
# [6,] 6
# [7,] 7
# [8,] 8
# [9,] 9
#[10,] 10
x.split <- df_split(x,5)
x.split
# [[1]]
# [1] 1 2
# [[2]]
# [1] 3 4
# [[3]]
# [1] 5 6
# [[4]]
# [1] 7 8
# [[5]]
# [1] 9 10
在R示例代码中使用caTools包将如下： -
data
split = sample.split(data$DependentcoloumnName, SplitRatio = 0.6)
training_set = subset(data, split == TRUE)
test_set = subset(data, split == FALSE)
使用基数R.函数runif生成从0到1的均匀分布值。通过变化的截止值（下面的示例中的train.size），您将始终在截止值以下具有大致相同百分比的随机记录。
data(mtcars)
set.seed(123)
#desired proportion of records in training set
train.size<-.7
#true/false vector of values above/below the cutoff above
train.ind<-runif(nrow(mtcars))<train.size
#train
train.df<-mtcars[train.ind,]
#test
test.df<-mtcars[!train.ind,]
我建议使用rsample包：
# choosing 75% of the data to be the training data
data_split <- initial_split(data, prop = .75)
# extracting training data and test data as two seperate dataframes
data_train <- training(data_split)
data_test <- testing(data_split)
require(caTools)
set.seed(101) #This is used to create same samples everytime
split1=sample.split(data$anycol,SplitRatio=2/3)
train=subset(data,split1==TRUE)
test=subset(data,split1==FALSE)
sample.split()函数将向数据帧添加一个额外的列'split1'，其中2/3的行将此值设为TRUE，其他行为FALSE.Now split1为TRUE的行将被复制到train中，其他行将被复制到测试数据帧。
假设df是您的数据框，并且您想要创建75％的列车和25％的测试
all <- 1:nrow(df)
train_i <- sort(sample(all, round(nrow(df)*0.75,digits = 0),replace=FALSE))
test_i <- all[-train_i]
然后创建一个列车并测试数据帧
df_train <- df[train_i,]
df_test <- df[test_i,]
在查看了此处发布的所有不同方法后，我没有看到任何人使用TRUE/FALSE来选择和取消选择数据。所以我想我会分享一种利用这种技术的方法。
n = nrow(dataset)
split = sample(c(TRUE, FALSE), n, replace=TRUE, prob=c(0.75, 0.25))
training = dataset[split, ]
testing = dataset[!split, ]
从R中选择数据有多种方式，最常见的是人们分别使用正/负指数来选择/取消选择。但是，使用TRUE/FALSE选择/取消选择可以实现相同的功能。
请考虑以下示例。
# let's explore ways to select every other element
data = c(1, 2, 3, 4, 5)
# using positive indices to select wanted elements
data[c(1, 3, 5)]
[1] 1 3 5
# using negative indices to remove unwanted elements
data[c(-2, -4)]
[1] 1 3 5
# using booleans to select wanted elements
data[c(TRUE, FALSE, TRUE, FALSE, TRUE)]
[1] 1 3 5
# R recycles the TRUE/FALSE vector if it is not the correct dimension
data[c(TRUE, FALSE)]
[1] 1 3 5
如果你寻找可重复的结果，请注意sample分裂。如果您的数据稍有变化，即使您使用set.seed，分割也会有所不同。例如，假设您数据中已排序的ID列表是1到10之间的所有数字。如果您只删除了一个观察值，例如4，则按位置采样会产生不同的结果，因为现在5到10个所有移动的位置。
另一种方法是使用散列函数将ID映射到一些伪随机数，然后对这些数字的mod进行采样。此样本更稳定，因为赋值现在由每个观察的散列决定，而不是由其相对位置决定。
例如：
require(openssl) # for md5
require(data.table) # for the demo data
set.seed(1) # this won't help `sample`
population <- as.character(1e5:(1e6-1)) # some made up ID names
N <- 1e4 # sample size
sample1 <- data.table(id = sort(sample(population, N))) # randomly sample N ids
sample2 <- sample1[-sample(N, 1)] # randomly drop one observation from sample1
# samples are all but identical
sample1
sample2
nrow(merge(sample1, sample2))
[1] 9999
# row splitting yields very different test sets, even though we've set the seed
test <- sample(N-1, N/2, replace = F)
test1 <- sample1[test, .(id)]
test2 <- sample2[test, .(id)]
nrow(test1)
[1] 5000
nrow(merge(test1, test2))
[1] 2653
# to fix that, we can use some hash function to sample on the last digit
md5_bit_mod <- function(x, m = 2L) {
# Inputs:
# x: a character vector of ids
# m: the modulo divisor (modify for split proportions other than 50:50)
# Output: remainders from dividing the first digit of the md5 hash of x by m
as.integer(as.hexmode(substr(openssl::md5(x), 1, 1)) %% m)
}
# hash splitting preserves the similarity, because the assignment of test/train
# is determined by the hash of each obs., and not by its relative location in the data
# which may change
test1a <- sample1[md5_bit_mod(id) == 0L, .(id)]
test2a <- sample2[md5_bit_mod(id) == 0L, .(id)]
nrow(merge(test1a, test2a))
[1] 5057
nrow(test1a)
[1] 5057
样本大小不完全是5000，因为赋值是概率性的，但由于大数定律，它不应该成为大样本中的问题。
另见：http://blog.richardweiss.org/2016/12/25/hash-splits.html和https://crypto.stackexchange.com/questions/20742/statistical-properties-of-hash-functions-when-calculating-modulo
它可以通过以下方式轻松完成：
set.seed(101) # Set Seed so that same sample can be reproduced in future also
# Now Selecting 75% of data as sample from total 'n' rows of the data
sample <- sample.int(n = nrow(data), size = floor(.75*nrow(data)), replace = F)
train <- data[sample, ]
test <- data[-sample, ]
通过使用caTools包：
require(caTools)
set.seed(101)
sample = sample.split(data$anycolumn, SplitRatio = .75)
train = subset(data, sample == TRUE)
test = subset(data, sample == FALSE)
set.seed(123)
llwork<-sample(1:length(mydata),round(0.75*length(mydata),digits=0))
wmydata<-mydata[llwork, ]
tmydata<-mydata[-llwork, ]
我碰到了这个，它也可以帮助我。
set.seed(12)
data = Sonar[sample(nrow(Sonar)),]#reshufles the data
bound = floor(0.7 * nrow(data))
df_train = data[1:bound,]
df_test = data[(bound+1):nrow(data),]
有一种非常简单的方法可以使用行索引和列的R索引来选择多行。这使您可以在给定多行的情况下清理分割数据集 - 比如说您的数据的前80％。
在R中，所有行和列都被索引，因此DataSetName [1,1]是分配给第一列和“DataSetName”的第一行的值。我可以使用[，x]和使用[，x]的列选择行
例如：如果我有一个方便地命名为“data”且100行的数据集，我可以使用查看前80行
视图（数据[1:80，]）
以同样的方式，我可以使用以下选择这些行并对它们进行子集化
train = data [1:80，]
test = data [81：100，]
现在我将我的数据分成两部分而不可能重新采样。快捷方便。
这几乎是相同的代码，但更好看
bound <- floor((nrow(df)/4)*3) #define % of training and test set
df <- df[sample(nrow(df)), ] #sample rows
df.train <- df[1:bound, ] #get training set
df.test <- df[(bound+1):nrow(df), ] #get test set
我会用dplyr这个，让它变得非常简单。它确实需要在您的数据集中使用id变量，这无论如何都是一个好主意，不仅用于创建集合，还用于项目期间的可跟踪性。如果不包含它，请添加它。
mtcars$id <- 1:nrow(mtcars)
train <- mtcars %>% dplyr::sample_frac(.75)
test <- dplyr::anti_join(mtcars, train, by = 'id')
我将把'a'分成火车（70％）和测试（30％）
a # original data frame
library(dplyr)
train<-sample_frac(a, 0.7)
sid<-as.numeric(rownames(train)) # because rownames() returns character
test<-a[-sid,]
DONE
library(caret)
intrain<-createDataPartition(y=sub_train$classe,p=0.7,list=FALSE)
training<-m_train[intrain,]
testing<-m_train[-intrain,]
我的解决方案与dickoa的解决方案基本相同，但更容易理解：
data(mtcars)
n = nrow(mtcars)
trainIndex = sample(1:n, size = round(0.7*n), replace=FALSE)
train = mtcars[trainIndex ,]
test = mtcars[-trainIndex ,]
使用awesome dplyr库只是一种更简单，更简单的方法：
library(dplyr)
set.seed(275) #to get repeatable data
data.train <- sample_frac(Default, 0.7)
train_index <- as.numeric(rownames(data.train))
data.test <- Default[-train_index, ]
如果输入：
?sample
如果将启动帮助菜单来解释样本函数的参数含义。
我不是专家，但这里有一些代码：
data <- data.frame(matrix(rnorm(400), nrow=100))
splitdata <- split(data[1:nrow(data),],sample(rep(1:4,as.integer(nrow(data)/4))))
test <- splitdata[[1]]
train <- rbind(splitdata[[1]],splitdata[[2]],splitdata[[3]])
这将为您提供75％的火车和25％的测试。