如何在R中让训练集与测试集观测数一致？当前训练集观测数不足

要实现训练集与测试集观测数相等，核心是通过采样操作调整其中一个数据集的行数，join/merge类操作用于合并数据集字段，无法实现该需求。根据使用场景可选择以下两种方案：

方案1：下采样测试集（推荐优先使用） #

从测试集中随机抽取和训练集行数一致的样本，不会引入训练集过拟合风险。

Python（pandas）实现 #

假设train_df为训练集DataFrame，test_df为测试集DataFrame：

import pandas as pd

# 获取训练集观测数
n_train = len(train_df)
# 随机采样测试集，random_state固定保证结果可复现
test_sampled = test_df.sample(n=n_train, random_state=42)

如需保证测试集标签分布和原数据集一致，可使用分层采样：

from sklearn.model_selection import train_test_split

test_sampled, _ = train_test_split(
    test_df,
    train_size = len(train_df)/len(test_df),
    stratify = test_df["label"], # label替换为你的标签列名
    random_state = 42
)

R实现 #

假设train_df为训练集数据框，test_df为测试集数据框：

n_train <- nrow(train_df)
set.seed(42)
test_sampled <- test_df[sample(nrow(test_df), n_train), ]

分层采样实现（需提前安装加载caret包）：

library(caret)
set.seed(42)
sample_idx <- createDataPartition(
  test_df$label, # label替换为你的标签列名
  p = nrow(train_df)/nrow(test_df),
  list = FALSE
)
test_sampled <- test_df[sample_idx, ]

方案2：上采样训练集（仅适用于训练集数据量极小的场景） #

对训练集进行有放回重复采样，直到行数和测试集一致，该方案容易引发过拟合，需谨慎使用。

Python（pandas）实现 #

n_test = len(test_df)
# replace=True开启有放回采样，支持抽取比原数据集更多的样本
train_sampled = train_df.sample(n=n_test, replace=True, random_state=42)

R实现 #

n_test <- nrow(test_df)
set.seed(42)
train_sampled <- train_df[sample(nrow(train_df), n_test, replace = TRUE), ]

内容的提问来源于stack exchange，提问作者ANA