如何按block分组抽取无重复的80%/20%样本至train、test数据集？

你需要的是分层抽样——按block分组后分别抽取约80%样本作为训练集，剩余作为测试集，且保证样本无重复。之前用sample_frac出问题，大概率是没结合分组操作，导致抽样逻辑不对。下面给两种可靠的实现方法：

方法一：用dplyr包（推荐，代码简洁直观） #

先确保安装了dplyr包，没有的话先执行install.packages("dplyr")，然后按以下步骤操作：

library(dplyr)

# 按block分组，每组抽取约80%样本作为训练集（replace=FALSE确保不重复）
train_data <- mydata %>%
  group_by(block) %>%
  slice_sample(prop = 0.8, replace = FALSE) %>%
  ungroup()

# 测试集取训练集之外的所有样本，用anti_join自动匹配去重
test_data <- anti_join(mydata, train_data, by = c("variable", "block"))

方法二：Base R实现（无需额外装包） #

如果不想依赖第三方包，可以用基础R的分组函数实现：

# 给数据集加行号，方便后续精准筛选
mydata$row_id <- 1:nrow(mydata)

# 按block分组，抽取每组约80%的行号
train_rows <- unlist(tapply(mydata$row_id, mydata$block, function(x) {
  # round()把比例转成整数，尽可能接近80%
  sample(x, size = round(length(x)*0.8), replace = FALSE)
}))

# 拆分训练/测试集
train_data_base <- mydata[mydata$row_id %in% train_rows, ]
test_data_base <- mydata[!mydata$row_id %in% train_rows, ]

# 清理临时加的row_id列
train_data_base$row_id <- NULL
test_data_base$row_id <- NULL

验证比例（可选） #

你可以用以下代码查看每个block的抽样比例，确认是否接近80%：

# 查看训练集各block占原数据集的比例
prop.table(table(train_data$block), margin = table(mydata$block))

内容的提问来源于stack exchange，提问作者hiperhiper