如何用splitstackshape::stratified()获取R语言分层拆分后的测试集？

有三种简单方法可以拿到对应的测试集，按需选择：

方法一：利用行名提取 #

给stratified()加keep.rownames = TRUE参数，保留原数据的行名，再通过行号差集生成测试集：

library(splitstackshape)

set.seed(40)
# 抽样时保留原数据行名，结果会新增一列"rn"
Train_with_rn <- stratified(Data, c('age','gender','treatment_1','treatment_2','cancers'), 0.75, keep.rownames = TRUE)
# 提取训练集对应的原数据行号
train_row_numbers <- as.numeric(Train_with_rn$rn)
# 生成最终训练集（去掉多余的rn列）
Train <- Train_with_rn[, -which(names(Train_with_rn) == "rn")]
# 测试集就是原数据中不在训练集行号里的部分
Test <- Data[-train_row_numbers, ]

方法二：新增唯一标识列 #

给原数据加一个唯一id列，抽样后通过id匹配筛选测试集：

library(splitstackshape)

set.seed(40)
# 给原数据添加唯一id列
Data$row_id <- 1:nrow(Data)
# 执行分层抽样
Train <- stratified(Data, c('age','gender','treatment_1','treatment_2','cancers'), 0.75)
# 筛选出id不在训练集里的行作为测试集
Test <- Data[!Data$row_id %in% Train$row_id, ]
# 清理临时添加的id列（可选）
Train$row_id <- NULL
Test$row_id <- NULL
Data$row_id <- NULL

方法三：用dplyr的anti_join筛选 #

如果你的数据没有重复行，也可以用dplyr的anti_join直接取训练集的补集：

library(splitstackshape)
library(dplyr)

set.seed(40)
Train <- stratified(Data, c('age','gender','treatment_1','treatment_2','cancers'), 0.75)
# 提取所有不在训练集中的行作为测试集
Test <- anti_join(Data, Train)

注意：如果原数据存在完全重复的行，方法三可能会误删重复项，这时候优先用前两种基于行号的方法更可靠。

内容的提问来源于stack exchange，提问作者Programming Noob