使用R中sample()生成多次6:2:2 train/val/test拆分的相关问题咨询

问题1：test集观测数波动的原因 #

你的数据集总共只有10行，预期test占20%即2条的前提是固定每个分组的样本量，但你当前的实现逻辑是对每一行独立按0.6/0.2/0.2的概率分配到train/val/test分组，属于独立随机抽样：

• 10个样本中最终落入test集的数量服从参数为n=10, p=0.2的二项分布，经计算出现1条的概率约27%、出现2条的概率约30%、出现3条的概率约20%，因此观测到数量波动属于正常现象。
• 这种抽样逻辑是按概率比例分配，仅在样本量极大时各组占比才会无限接近预设比例，小样本下必然出现波动。

问题2：sample()的replace参数作用与设置建议 #

replace参数的作用 #

replace参数控制抽样是否允许重复：

• 设为TRUE为有放回抽样：同一个值可以被多次抽取，你当前的代码中待抽样的向量是1:3，要抽取10次（和数据行数一致），必须开有放回抽样才能实现给每一行分配分组标签的逻辑。
• 设为FALSE为无放回抽样：每个值只能被抽一次，你当前的场景下待抽样的向量只有3个元素，抽样次数大于向量长度，直接会触发报错，因此你当前的代码不能将replace设为FALSE。

实现固定分组样本量的修改方案 #

如果你需要每次拆分都严格保证train 6条、val 2条、test 2条，可以改用以下实现逻辑：

library(dplyr)

tbl <- tibble(id = 1:10)

train = list()
val = list()
test = list()

for (run in 1:5)
{
  # 先打乱全量样本的索引
  shuffled_idx <- sample(nrow(tbl), size = nrow(tbl), replace = FALSE)
  # 按位置切分固定数量的样本
  train[[run]] <- tbl[shuffled_idx[1:6], ]
  val[[run]] <- tbl[shuffled_idx[7:8], ]
  test[[run]] <- tbl[shuffled_idx[9:10], ]
}

内容的提问来源于stack exchange，提问作者SiH