R语言如何批量为嵌套分组数据创建训练集与测试集？

全程不需要解开已经做好的嵌套数据结构，基于purrr::map做分组映射即可批量完成所有子集的训练/测试集拆分，和批量训练线性回归的逻辑完全一致。

推荐写法（适配tidyverse生态） #

用rsample包（tidymodels生态中专职做数据拆分的工具包）写拆分逻辑，代码可读性和可扩展性最好，后续做交叉验证、超参数调优都可以无缝衔接：

library(tidyverse)
library(datasets)
library(rsample)
data("ChickWeight")

# 原有嵌套逻辑
ChickWeightNest <- ChickWeight %>% 
  group_by(Chick) %>% 
  nest()

# 批量拆分训练/测试集
ChickWeightSplit <- ChickWeightNest %>% 
  mutate(
    # 按7:3比例拆分单只雏鸡的数据，需要分层抽样可给strata参数传入对应列名
    split = map(data, ~initial_split(.x, prop = 0.7)),
    train_set = map(split, training),
    test_set = map(split, testing)
  )

拆分完成后直接继续用mutate+map即可批量完成模型训练、预测、评估全流程，替换成xgboost模型也不需要改整体结构，示例：

ChickWeightRes <- ChickWeightSplit %>% 
  mutate(
    # 这里替换成xgboost的训练逻辑即可，输入用train_set列
    model = map(train_set, ~lm(weight ~ Time, data = .x)),
    # 测试集预测
    pred = map2(model, test_set, predict),
    # 计算测试集RMSE作为评估指标
    rmse = map2_dbl(pred, test_set, ~sqrt(mean((.x - .y$weight)^2)))
  )

无额外依赖的基础写法 #

如果不想装其他包，用基础R的抽样逻辑也能实现同样效果：

ChickWeightSplitBase <- ChickWeightNest %>% 
  mutate(
    train_index = map(data, ~sample(seq_len(nrow(.x)), size = round(nrow(.x)*0.7))),
    train_set = map2(data, train_index, ~.x[.y, ]),
    test_set = map2(data, train_index, ~.x[-.y, ])
  )

注意事项 #

• ChickWeight数据集单只雏鸡的样本量非常少（单组最多12条观测），用xgboost这类树模型时注意控制树深、正则项参数，避免严重过拟合
• 如果后续需要做交叉验证、超参数网格调优，只需要把initial_split替换成vfold_cv、bootstraps等重抽样函数，整体嵌套逻辑不需要改动

• 核心知识点是tidyverse的列表列和purrr映射逻辑，所有分组级别的操作都可以封装为自定义函数传入map，不需要写显式for循环
• tidymodels官方教程的「Many Models」章节专门覆盖这类分组批量建模场景，包含从数据嵌套、拆分到训练评估的完整流程
• 检索相关内容可以用关键词 R nested tibble train test split purrr、R batch train xgboost on nested data，能找到大量可复现的实践案例

内容的提问来源于stack exchange，提问作者887