如何将数据随机分成三个等大小的部分？

Question

我有一个包含来自三个不同项目的 9558 行数据的数据集。我想要将这个数据集随机分成三组，并为每组分配一个唯一的ID，使得 Project1_Project_2_Project3 变成 Project1、Project2 和 Project3。

我尝试了很多方法，并从与我的问题类似的人的代码中搜索了解决方案。我使用了 sample_n() 和 sample_frac()，但是，可惜我无法自己解决这个问题 :/

下面是我制作的一个数据集示例：

ProjectName <- c("Project1_Project2_Project3")
data <- data.frame(replicate(10,sample(0:1,9558,rep=TRUE)))
data <- data.frame(ProjectName, data)

输出结果应该随机分成三个相等的组，每组 nrow=3186 的值。

ProjectName Count of rows
Project1     3186
Project2     3186
Project3     3186

- Rose Nonglak Seesan Jensen

---

当你说“分割”时，这意味着你不想在组中重复，对吗？也就是说，数字15只在一个集合中。 - Hojo.Timberwolf

使用c("Project1", "Project2", "Project3")代替c("Project1_Project2_Project3")能得到你想要的结果吗？ - jay.sf

@Hojo.Timberwolf 是的，我不想在组中重复。你在15中指的是只有1个集合吗？ - Rose Nonglak Seesan Jensen

@jay.sf 我手头的真实数据集包含来自三个不同项目的数据，其中只有一个唯一的ID，并且其结构与我创建的相同。但是我想将其随机分成三个相等的组，每个组都应该有自己的名称：Project1、Project2和Project3 :) - Rose Nonglak Seesan Jensen

这个问题需要简单修改并以更好的方式提出，才能对其他人有用！ - Majid

Answer 1

我认为只需要分配随机的项目名称就足够了。

dat$ProjectName <- sample(factor(rep(1:3, length.out=nrow(dat)), 
                          labels=paste0("Project", 1:3)))

Result

head(dat)
#   X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 ProjectName
# 1  1  1  0  1  1  1  1  0  1   0    Project1
# 2  1  1  1  1  1  1  0  0  1   0    Project1
# 3  0  0  1  1  0  0  0  1  1   1    Project1
# 4  1  1  1  0  1  0  1  1  0   1    Project3
# 5  1  0  0  1  1  1  1  0  0   1    Project1
# 6  1  0  0  0  0  1  0  1  1   1    Project3

table(dat$ProjectName)
# Project1 Project2 Project3 
#     3186     3186     3186 

数据

set.seed(42)
dat <- data.frame(replicate(10, sample(0:1, 9558, rep=TRUE)))

- jay.sf

Answer 2

我曾经遇到过同样的问题。这是我解决它的方法：如果你只使用样本，那么分组会不均匀。从一个分组均匀的向量中进行抽样对我有用。

sampleframe <- rep(1:3, ceiling( nrow( data)/3 ) ) 

data$grp <- 0
data[  , "grp"  ] <- sample( sampleframe , size=nrow( data) ,  replace=FALSE )

project1 <- data[data$grp %in% 1 ,]
project2 <- data[data$grp %in% 2 ,]
project3 <- data[data$grp %in% 3 ,]

- MatthewR

Answer 3

我喜欢这篇评论提出的解决方案，适用于GitHub Gist。

您可以按照建议生成索引：

folds <- split(sample(nrow(data), nrow(data), replace = FALSE), as.factor(1:3))

然后使用以下命令获取三个大小相等的数据框列表：

datalist <- lapply(folds, function(x) data[x, ])

- neilfws

Answer 4

在data中添加一个id:

data$id <- 1:nrow(data)

取第一个样本：

project1 <- dplyr::sample_frac(data, 0.33333)

从数据中删除已使用的行并保存到 project2 中：

project2 <- data[!(data$id %in% project1$id), ]

最初的回答

样本剩余量的一半：

project3 <- dplyr::sample_frac(project2, 0.5)

最终，从project2中删除project3示例中的内容：

project2 <- project2[!(project2$id %in% project3$id), ]

检查所有id是否唯一：

最初的回答

# should all be FALSE
any(project1$id %in% project2$id)
any(project1$id %in% project3$id)
any(project2$id %in% project3$id)

请确保数据框中的案例数量正确：

并且，请检查数据框是否有最初的回答：

nrow(project1)
nrow(project2)
nrow(project3)

- Phil