R语言数据框随机抽样后获取剩余行及设置种子复现多组数据集的方法
数据集拆分失效问题解决方案
问题根因
原代码无法正常筛选的核心是错误使用%in%运算符做整行匹配:R中df1 %in% test_dataset1会逐列遍历两个数据框的元素做值匹配,最终生成的逻辑向量长度与数据框列数相等,而非按行生成筛选标记。
注:示例
df1共20行3列,原代码生成的逻辑向量长度仅为3,按列索引后会返回全部原有数据,完全无法实现行过滤效果。
标准拆分实现
拆分操作优先通过行索引完成,可从根源避免值匹配失效的问题,以抽取10行作为测试集为例:
- 固定随机数种子,保证抽样可复现
- 生成全量行号,随机抽取部分作为测试集索引
- 通过正负索引拆分测试集与剩余训练部分
- 将剩余训练部分与
df2纵向合并得到最终训练集
实现代码:
set.seed(9999) # 生成全量行号 all_row_idx <- seq_len(nrow(df_1)) # 随机抽取10个行号作为测试集索引 test_row_idx <- sample(all_row_idx, size = 10) # 拆分得到测试集 test_dataset1 <- df_1[test_row_idx, ] # 取剩余行得到训练部分 train_part_1 <- df_1[-test_row_idx, ] # 合并df2得到最终训练集 train_1 <- rbind(df_2, train_part_1)
3组可复现拆分的种子设置方法
生成3组独立测试、训练集对,有两种规范的set.seed使用方式:
- 单种子连续抽样:在第一次抽样前设置一次固定种子,后续两次抽样会按随机序列顺序顺延生成,三次结果完全独立,且整体可复现。优势是代码简洁,只要初始种子固定,全流程结果不会变化。
- 分组独立设种子:为每组拆分单独设置不同的固定种子(如第一组用
set.seed(9999),第二组用set.seed(12345),第三组用set.seed(67890))。优势是某一组的代码改动不会影响其余两组的抽样结果,独立性更强。
完整可运行的3组拆分示例(包含测试用df1):
# 载入测试数据集df1 df_1 <- structure(list(nodeA = structure(c(4L, 2L, 1L, 1L, 1L, 4L, 1L, 9L, 3L, 4L, 2L, 8L, 2L, 1L, 5L, 7L, 3L, 6L, 2L, 1L), .Label = c("ID00309", "ID00361", "ID00541", "ID00570", "ID00615", "ID00696", "ID00762", "ID01200", "ID05109"), class = "factor"), nodeB = structure(c(8L, 3L, 3L, 1L, 2L, 7L, 9L, 8L, 8L, 6L, 9L, 7L, 4L, 4L, 6L, 9L, 6L, 7L, 5L, 5L), .Label = c("ID00361", "ID00541", "ID00570", "ID00615", "ID00696", "ID01200", "ID05109", "ID11641", "ID11691"), class = "factor"), scr = structure(20:1, .Label = c("1.85284606048794", "1.90444166064472", "1.90762235378507", "1.94364188077133", "1.95883206119256", "2.08440437841349", "2.26408172709962", "2.3223132020942", "2.46120775935034", "2.49647215035727", "2.50432367561777", "2.57541320006514", "2.65099330092281", "2.75209155741549", "2.93717640337986", "2.99596628688011", "3.21209741517806", "3.21997803385465", "3.48788394772132", "3.81389707587156"), class = "factor")), class = "data.frame", row.names = c(NA, -20L)) # 占位df2,可替换为实际补充训练数据 df_2 <- data.frame() # 单种子方式生成3组拆分 set.seed(9999) # 第一组 test1_idx <- sample(seq_len(nrow(df_1)), 10) test1 <- df_1[test1_idx, ] train1 <- rbind(df_2, df_1[-test1_idx, ]) # 第二组 test2_idx <- sample(seq_len(nrow(df_1)), 10) test2 <- df_1[test2_idx, ] train2 <- rbind(df_2, df_1[-test2_idx, ]) # 第三组 test3_idx <- sample(seq_len(nrow(df_1)), 10) test3 <- df_1[test3_idx, ] train3 <- rbind(df_2, df_1[-test3_idx, ])
内容的提问来源于stack exchange,提问作者0Knowledge
相关产品推荐
相关产品推荐

