如何将含150+列及目标列的5000+行大数据集拆分为5个子集？

问题诊断 #

你的代码核心错误是按列而非按行分配分组：sample()的第二个参数用了ncolumn(data)（获取数据集的列数），但我们需要给每一行分配分组标签，应该用nrow(data)（获取行数）。原逻辑相当于给每一列分组，导致子集提取完全不符合预期。

修正后的代码 #

基础版（保留手动创建变量的习惯）

# 为每一行生成分组索引，5组概率均等
train_indices <- sample(5, nrow(data), replace = TRUE, prob = c(0.2, 0.2, 0.2, 0.2, 0.2))

# 提取各子集，自动保留所有列（含目标列）
train1 <- data[train_indices == 1, ]
train2 <- data[train_indices == 2, ]
train3 <- data[train_indices == 3, ]
train4 <- data[train_indices == 4, ]
train5 <- data[train_indices == 5, ]

# 批量查看子集摘要
lapply(list(train1, train2, train3, train4, train5), summary)

高效版（用列表存储子集，简化后续操作）

如果后续需要批量处理子集，推荐用split()函数一次性生成所有子集：

# 生成行分组索引，概率均等可简化为rep(0.2,5)
train_indices <- sample(1:5, nrow(data), replace = TRUE, prob = rep(0.2, 5))

# 将数据集按分组索引拆分，结果存入列表
train_list <- split(data, train_indices)

# 查看每个子集的摘要
lapply(train_list, summary)

# 调用单个子集示例：train_list[[1]]、train_list[[2]]

关键说明 #

• 拆分后的每个子集都会完整保留原数据集的所有列，包括你的目标列，直接用于热图制作即可。
• 用列表存储子集比手动创建多个独立变量更整洁，尤其当需要对所有子集执行相同操作（比如批量绘制热图）时，能大幅减少重复代码。

内容的提问来源于stack exchange，提问作者wildelover