R语言中setdiff()无数据显示：决策树训练集异常问题

我尝试用决策树预测药物类别，设置随机种子后用sample_frac()划分训练集，再用setdiff()生成测试集。遇到异常情况：明明能确认训练集数据存在，但查看data_test时显示无数据，不过决策树依然可以正常生成。

data <- data %>% select(BP, Cholesterol, Drug)
view(data)
str(data)

data <- lapply(data, as.factor)
data <- lapply(data, as.numeric)
view(data)

data <- as.data.frame(data)
view(data)

set.seed(111)
data_training <- data %>% sample_frac(0.80)
data_test <- data %>% setdiff(data_training)

view(data_training)
view(data_test)

data_tree <- rpart(Drug ~ BP + Cholesterol, data=data_training, method = 'class')
plot(data_tree, uniform=TRUE, margin=0.5)
text(data_tree, use.n = TRUE)

data_test['Predicted'] <- predict(data_tree, data_test, type = 'class')
view(data_test)

1. setdiff()的逻辑不适合拆分数据集：setdiff()是按行内容进行差集计算，而非按行索引拆分。如果原数据存在重复行，它会把所有与训练集内容重复的行从测试集中移除，直接导致测试集为空；即使没有重复行，这种方式也不是标准的数据集拆分逻辑。
2. 数据类型转换的冗余操作：两次lapply将数据框转为列表后再转回数据框，虽然最终结果是数据框，但中间步骤可能导致数据结构临时异常，不过核心问题还是setdiff()的使用错误。

方法1：按索引拆分数据集（推荐） #

通过生成随机索引拆分，能保证数据拆分的准确性，不受重复行影响：

set.seed(111)
# 生成训练集索引
train_idx <- sample(nrow(data), size = 0.8 * nrow(data))
data_training <- data[train_idx, ]
# 用负索引取测试集
data_test <- data[-train_idx, ]

方法2：用anti_join()替代setdiff()（dplyr风格） #

anti_join()会保留原数据中所有不在训练集里的行，匹配逻辑更适合数据集拆分：

set.seed(111)
data_training <- data %>% sample_frac(0.8)
data_test <- data %>% anti_join(data_training)

方法3：简化数据类型转换 #

原代码的类型转换可以简化为数据框内的批量操作，避免转为列表的步骤：

data <- data %>% 
  select(BP, Cholesterol, Drug) %>%
  # 批量将所有列转为因子后再转数值
  mutate(across(everything(), ~ as.numeric(as.factor(.x))))

内容的提问来源于stack exchange，提问作者Dan C