如何在R的tidymodels中基于双变量执行分层抽样拆分训练测试集

要同时基于cyl和gear两个变量实现分层抽样，只需要在initial_split()的strata参数里传入包含这两个变量的向量即可，用c()把变量名组合起来就行。

修改后的完整可复现代码如下：

library(tidymodels)
library(tidyverse)

# 基于cyl和gear两个变量分层拆分数据集
split <- initial_split(mtcars, prop = 0.7, strata = c(cyl, gear))
train <- split %>% training()
test <- split %>% testing()

验证分层效果（可选） #

可以检查训练集和测试集中cyl与gear的组合分布是否一致，确保抽样是按分层比例执行的：

# 查看训练集的组合分布及占比
train %>% count(cyl, gear) %>% mutate(prop = n / sum(n))

# 查看测试集的组合分布及占比
test %>% count(cyl, gear) %>% mutate(prop = n / sum(n))

对比两组的prop列，就能确认两个数据集里各变量组合的占比和原数据集基本一致，实现了多变量分层抽样的效果。

内容的提问来源于stack exchange，提问作者jaykay