如何使用样本函数将数据分成训练集和测试集

scorecard 包中有一个非常实用的函数，可以指定比率和种子。

library(scorecard)

dt_list <- split_df(mtcars, ratio = 0.75, seed = 66)

测试和训练数据被存储在一个列表中，可以通过调用 dt_list$train 和 dt_list$test 来访问。

如果您输入：

?sample

如果会启动一个帮助菜单，解释示例函数的参数含义。

虽然我不是专家，但这是一些我所拥有的代码：

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%的训练和25%的测试。

我的解决方案是打乱行，然后将前75%的行作为训练数据，最后25%的行作为测试数据。非常简单！

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)),]

我们可以将数据按照特定比例划分，这里是80%的训练数据和20%的测试数据集。

ind <- sample(2, nrow(dataName), replace = T, prob = c(0.8,0.2))
train <- dataName[ind==1, ]
test <- dataName[ind==2, ]

假设您有一个数据框 df，并且您想创建 75% 的训练集和 25% 的测试集。

all <- 1:nrow(df)
train_i <- sort(sample(all, round(nrow(df)*0.75,digits = 0),replace=FALSE))
test_i <- all[-train_i]

然后创建训练和测试数据框。

df_train <- df[train_i,]
df_test <- df[test_i,]

使用R中的caTools包，示例代码如下：

data
split = sample.split(data$DependentcoloumnName, SplitRatio = 0.6)
training_set = subset(data, split == TRUE)
test_set = subset(data, split == FALSE)

使用基础R。函数runif从0到1生成均匀分布的值。通过改变截断值（例如下面示例中的train.size），您将始终具有大约相同百分比的随机记录低于截断值。

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,]

下面是一个函数，可以创建一个相同大小的子样本列表，虽然不完全符合您的要求，但对于其他人可能会有用。在我的情况下，用于创建多个分类树，以测试过度拟合问题。

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)
}

例子：

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

如果你想要可重复的结果，请注意使用 sample 进行拆分。即使使用了 set.seed，如果数据稍有变动，拆分仍会有所不同。例如，假设你的数据中按ID排序的列表是1到10之间的所有数字。如果你只删除了一个观察值（比如4），按位置抽样将产生不同的结果，因为现在5到10都移动了位置。

另一种方法是使用哈希函数将ID映射到一些伪随机数，然后在这些数的模上进行抽样。这种抽样更加稳定，因为分配现在是由每个观察值的哈希决定的，而不是由它相对位置决定的。

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

样本大小并不完全是5000，因为分配是概率性的，但在大样本中应该不会成为问题，这要归功于大数定律。

另请参阅：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

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()函数将向数据框添加一个名为'split1'的额外列，其中2/3的行将具有TRUE值，其余行将具有FALSE值。现在，split1为TRUE的行将被复制到train数据框中，而其他行将被复制到test数据框中。请注意保留HTML标签。