如何用R语言从每3行生物重复组中随机抽取1行至测试数据集

核心思路 #

先为数据框添加每3行一组的分组标识，再针对每个组随机抽取1行作为测试数据，剩余行保留为训练数据。

方法一：基础R实现（无需额外包） #

# 确保数据框行数为3的倍数（若不符合需先处理）
stopifnot(nrow(df) %% 3 == 0)

# 生成分组标识（每3行对应一个组）
group_ids <- gl(nrow(df)/3, 3)

# 抽取每个组的随机行索引
sample_rows <- unlist(tapply(seq_len(nrow(df)), group_ids, function(x) sample(x, 1)))

# 拆分测试集与训练集
df_test <- df[sample_rows, ]
df_train <- df[-sample_rows, ]

方法二：dplyr包实现（代码更简洁） #

library(dplyr)

# 确保数据框行数为3的倍数
stopifnot(nrow(df) %% 3 == 0)

# 生成分组并抽取测试集
df_test <- df %>%
  mutate(group = rep(1:(nrow(.)/3), each = 3)) %>%
  group_by(group) %>%
  sample_n(size = 1) %>%
  ungroup() %>%
  select(-group)

# 从原数据框中移除测试集行，得到训练集
df_train <- df %>%
  anti_join(df_test, by = names(df))

注意事项 #

• 如果原始数据框行数不是3的倍数，需先处理多余行（如删除或合并），否则分组逻辑会出错。
• 若不想修改原数据框，基础R方法中可以直接用临时生成的group_ids分组，无需添加新列。

内容的提问来源于stack exchange，提问作者purple1437