R语言createDataPartition报错：y需至少2个数据点的解决方法

报错核心原因 #

报错y must have at least 2 data points是因为train$type不满足createDataPartition的分层抽样要求：要么仅包含单一类别（全0或全1），要么某类别的数据量不足2条，导致无法完成分层抽样操作。

先排查数据状态 #

运行以下代码确认数据的类别分布和总量：

# 查看恶意/良性URL的数量分布
table(train$type)
# 查看训练集总数据量
length(train$type)

针对性修复方案 #

• 情况1：train$type只有单一类别
  说明训练集数据存在问题，检查数据导入流程是否有误，或是否在预处理阶段误过滤掉了某类数据，重新获取同时包含恶意（0）和良性（1）URL的完整数据集即可。

• 情况2：某类别数据量极少（比如仅1条）
  此时无法按原比例执行分层抽样，可选择两种处理方式：

  1. 调整抽样比例：降低p值，确保小类别能抽到至少1条数据，比如将p=0.2改为p=0.05（根据实际数据量灵活调整）：

     set.seed(1, sample.kind="Rounding")
     test_index <- caret::createDataPartition(y = train$type, times = 1, p = 0.05, list = FALSE)
     

  2. 改用简单随机抽样：放弃分层抽样，直接随机选取测试集（注意：这种方式可能导致测试集缺失某类数据，后续模型评估需留意）：

     set.seed(1, sample.kind="Rounding")
     test_index <- sample(nrow(train), size = floor(0.2*nrow(train)), replace = FALSE)
     

• 情况3：总数据量不足2条
  属于数据集本身规模过小，需要补充更多URL数据后再进行后续分析。

内容的提问来源于stack exchange，提问作者Justin