R中caret包如何将含重复测量的数据拆分为75%训练集25%测试集

核心逻辑是将受试者作为拆分单位，而非单条观测记录，可保证同一受试者的所有观测归属同一数据集。

方法1：tidyverse手动实现（灵活易调整） #

library(dplyr)

# 提取所有唯一受试者ID
unique_ids <- unique(dataset$study_id)

# 设置随机种子保证结果可复现
set.seed(123)
# 随机抽取75%的受试者ID归为训练集
train_ids <- sample(unique_ids, size = round(0.75 * length(unique_ids)))

# 按ID匹配拆分数据集
train_set <- dataset %>% filter(study_id %in% train_ids)
test_set <- dataset %>% filter(!study_id %in% train_ids)

如果需要让观测行数的拆分比例更贴近75%，可按照每个受试者的观测数量加权抽样：

# 统计每个受试者的观测行数
id_obs_count <- dataset %>% count(study_id, name = "obs_n")
# 加权抽样，观测数多的ID抽样权重更高，缩小行数比例偏差
train_ids <- sample(id_obs_count$study_id, 
                    size = round(0.75 * nrow(id_obs_count)),
                    prob = id_obs_count$obs_n)

方法2：基于caret groupKFold实现（和你现有代码逻辑兼容） #

将groupKFold的k值设为4，取1份作为测试集、剩余3份合并为训练集，刚好满足75%/25%的拆分比例：

library(caret)

set.seed(123)
# 按受试者ID拆分为4份，每份受试者占比25%
folds <- groupKFold(dataset$study_id, k = 4)
# 取第一份为测试集索引
test_index <- folds[[1]]
train_set <- dataset[-test_index, ]
test_set <- dataset[test_index, ]

注意：拆分完成后后续的交叉验证需仅在训练集内执行，避免引入测试集数据导致泄露。

内容的提问来源于stack exchange，提问作者Dr Wampa