如何在R语言中创建10折交叉验证时确保相同ID的样本处于同一折？

这个问题很常见——当数据存在重复ID（比如同一主体的多个观测）时，直接按行拆分交叉验证会破坏数据的关联性。下面是具体的解决方法，用caret包就能轻松实现你的需求：

核心思路 #

先对唯一ID集合进行10折划分，再将每个ID对应的所有样本映射到对应的折中，这样就能保证同一个ID的所有样本都在同一折里。

具体实现步骤 #

1. 提取唯一ID列表
   先从数据框中取出所有不重复的ID，我们要对这些ID做折划分：

   unique_ids <- unique(df$ID)
   

2. 对唯一ID创建交叉验证折
   使用caret包的createFolds()函数，这次针对唯一ID而不是原始数据的行：

   library(caret)
   # 设置随机种子保证结果可复现
   set.seed(123)
   id_folds <- createFolds(unique_ids, k = 10, list = TRUE)
   

3. 将ID折映射为原始数据的行索引
   遍历每个折的ID，找到原始数据中对应这些ID的所有行，生成最终的折索引：

   fold_indices <- lapply(id_folds, function(fold_ids) {
     which(df$ID %in% unique_ids[fold_ids])
   })
   

4. 提取训练集和测试集
   现在你就可以用fold_indices来拆分数据了，比如取第一折作为测试集：

   test.data <- df[fold_indices[[1]], ]
   train.data <- df[-fold_indices[[1]], ]
   

验证结果 #

你可以用下面的代码验证，确保测试集和训练集的ID没有重叠：

# 检查交集长度是否为0，0则说明无重叠
length(intersect(test.data$ID, train.data$ID)) == 0

不用caret包的base R实现 #

如果你不想依赖caret包，也可以用base R手动实现：

set.seed(123)
unique_ids <- unique(df$ID)
# 给唯一ID随机分组为10折
id_groups <- split(unique_ids, sample(rep(1:10, length.out = length(unique_ids))))
# 转换为行索引
fold_indices <- lapply(id_groups, function(ids) which(df$ID %in% ids))

内容的提问来源于stack exchange，提问作者Babak Kasraei