如何从R语言数据集mushrooms中筛选出不在训练集的行？

看起来你踩了个常见的小坑——虽然typeof()返回的是list，但read.csv()导入的其实是data.frame（本质是由列组成的list），直接对它用逻辑取反是行不通的，因为它会逐列处理，而不是按行匹配。下面给你几种靠谱的解决方案：

方法1：利用训练集的行索引（最推荐） #

如果你划分训练集时是通过采样行索引得到的（比如用sample()），那直接对索引取反就能快速得到测试集：

# 假设你是这么划分训练集的（建议加set.seed保证结果可重复）
set.seed(123)
train_indices <- sample(nrow(mushrooms), size = nrow(mushrooms)/3)
mushrooms.training_set <- mushrooms[train_indices, ]

# 直接取反索引得到原数据中不在训练集的行
mushrooms.test_set <- mushrooms[-train_indices, ]

这种方法高效又不容易出错，以后划分数据集时建议保留行索引哦。

方法2：用dplyr的anti_join()（简洁直观） #

如果已经没保留训练集的行索引，用dplyr包的anti_join()函数最省心——它专门用来筛选出在第一个数据框中、但不在第二个数据框里的行：

library(dplyr)

# 一键得到目标结果
mushrooms.test_set <- anti_join(mushrooms, mushrooms.training_set)

dplyr会自动帮你比对所有列的内容，不需要手动处理行匹配逻辑。

方法3：Base R手动匹配行内容 #

如果不想额外加载包，也可以用Base R把每行转成唯一字符串再匹配：

# 选一个数据里没有的分隔符（比如"|~|"），把每行转成字符串
train_row_strings <- apply(mushrooms.training_set, 1, paste, collapse = "|~|")
all_row_strings <- apply(mushrooms, 1, paste, collapse = "|~|")

# 筛选不在训练集字符串集合里的行
mushrooms.test_set <- mushrooms[!all_row_strings %in% train_row_strings, ]

注意：分隔符要选数据集里不存在的字符组合，避免因为数据本身包含分隔符导致匹配错误。

为什么你之前的方法不对？ #

• mushrooms[c(!mushrooms.training_set),]：对data.frame取反!会逐列生成逻辑向量，c()把这些向量拼成一个长逻辑序列，用它索引行肯定会得到错误结果。
• !duplicated(mushrooms.training_set)：duplicated()是检查列的重复（因为data.frame是列的list），和行匹配完全不相关，自然得不到正确结果。

内容的提问来源于stack exchange，提问作者jbehrens94