如何用R语言的sample()函数创建多个训练子集

核心逻辑：因为要求无放回抽样，绝不能单独对每个子集调用sample()，否则会出现样本重复。正确做法是先一次性抽取所有需要的样本索引，再拆分到各个子集，确保所有子集的观测值互不重叠。

具体实现步骤与代码 #

假设你的原始训练数据集名为train_data（包含60000条观测），按以下步骤操作：

1. 确认总抽取量
   总需抽取样本数 = 3×500 + 3×1000 + 3×2000 = 10500，远小于60000，完全满足无放回抽样条件。

2. 一次性抽取所有所需索引
   先获取原始数据集的行索引，再无放回抽取10500个索引：

   # 获取原始数据集的行索引
   all_indices <- seq_len(nrow(train_data))
   # 无放回抽取所有需要的索引
   sampled_indices <- sample(all_indices, size = 10500, replace = FALSE)
   

3. 拆分索引到对应子集
   按需求把抽取的索引分成9组：

   # 拆分3个500条的子集索引
   subset_500_1 <- sampled_indices[1:500]
   subset_500_2 <- sampled_indices[501:1000]
   subset_500_3 <- sampled_indices[1001:1500]
   
   # 拆分3个1000条的子集索引
   subset_1000_1 <- sampled_indices[1501:2500]
   subset_1000_2 <- sampled_indices[2501:3500]
   subset_1000_3 <- sampled_indices[3501:4500]
   
   # 拆分3个2000条的子集索引
   subset_2000_1 <- sampled_indices[4501:6500]
   subset_2000_2 <- sampled_indices[6501:8500]
   subset_2000_3 <- sampled_indices[8501:10500]
   

4. 从原始数据提取子集
   用拆分好的索引提取对应子集：

   # 创建500条的子集
   train_sub500_1 <- train_data[subset_500_1, ]
   train_sub500_2 <- train_data[subset_500_2, ]
   train_sub500_3 <- train_data[subset_500_3, ]
   
   # 创建1000条的子集
   train_sub1000_1 <- train_data[subset_1000_1, ]
   train_sub1000_2 <- train_data[subset_1000_2, ]
   train_sub1000_3 <- train_data[subset_1000_3, ]
   
   # 创建2000条的子集
   train_sub2000_1 <- train_data[subset_2000_1, ]
   train_sub2000_2 <- train_data[subset_2000_2, ]
   train_sub2000_3 <- train_data[subset_2000_3, ]
   

验证抽样有效性 #

可以通过以下代码检查子集是否存在重复观测：

# 合并所有子集的索引，检查重复值
all_sub_indices <- c(subset_500_1, subset_500_2, subset_500_3,
                     subset_1000_1, subset_1000_2, subset_1000_3,
                     subset_2000_1, subset_2000_2, subset_2000_3)
# 检查是否有重复索引
any(duplicated(all_sub_indices))

返回FALSE则说明所有子集观测值唯一，符合无放回抽样要求。

内容的提问来源于stack exchange，提问作者amatof