基于双结果变量的分层数据划分方案咨询（R语言）

这是个很实际的问题——当需要同时维护多个不平衡变量的类别比例，还要保证训练/测试集对齐时，单独按每个变量分层肯定会出问题。这里有个靠谱的解决方案：基于两个变量的组合进行分层抽样，这样既能同时保留case1和case2的类别分布，又能让训练集和测试集的样本量完全一致。

核心思路 #

把case1和case2的组合作为一个新的分层因子，用这个组合因子来划分数据集。这样做能确保每个(case1, case2)的组合在训练集和测试集中的比例与原始数据一致，自然也就同时保留了两个单独变量的类别分布，而且训练/测试集的样本量会完全匹配。

代码实现 #

我们基于你的示例数据来演示这个方法：

library(caret)
set.seed(123)

# 生成你的示例数据
matris <- matrix(rnorm(10), 1000, 20)
case1 <- as.factor(ceiling(runif(1000, 0, 4)))
case2 <- as.factor(ceiling(runif(1000, 0, 50)))
df <- as.data.frame(matris)
df$case1 <- case1
df$case2 <- case2

# 创建case1和case2的组合因子（drop=TRUE自动移除没有样本的组合）
df$case_combined <- interaction(df$case1, df$case2, drop = TRUE)

# 基于组合因子进行分层抽样，测试集比例设为0.2
set.seed(123)
split_combined <- createDataPartition(df$case_combined, p = 0.2)[[1]]
train_combined <- df[-split_combined, ]
test_combined <- df[split_combined, ]

# 查看样本量，现在训练和测试集大小完全一致
nrow(train_combined) # 799
nrow(test_combined)  # 201

验证比例是否符合要求 #

我们可以简单验证一下两个变量的类别比例是否在训练/测试集中保持一致：

# 验证case1的比例一致性
cat("--- case1比例验证 --- \n")
print(prop.table(table(df$case1)))
print(prop.table(table(train_combined$case1)))
print(prop.table(table(test_combined$case1)))

# 随机选几个case2的水平验证比例（case2水平太多，不用全看）
cat("\n--- case2随机水平比例验证 --- \n")
sample_case2_levels <- sample(levels(df$case2), 5)
for(level in sample_case2_levels) {
  cat("Case2水平", level, "\n")
  cat("原始数据:", round(table(df$case2)[level]/nrow(df), 3), "\n")
  cat("训练集:", round(table(train_combined$case2)[level]/nrow(train_combined), 3), "\n")
  cat("测试集:", round(table(test_combined$case2)[level]/nrow(test_combined), 3), "\n\n")
}

额外说明 #

• 这个方法完全适配case2后续增加水平的场景，interaction函数会自动识别新的组合并纳入分层逻辑。
• 如果某些(case1, case2)组合的样本量极小（比如只有1个样本），createDataPartition会自动处理这类情况，不会影响整体的分布平衡；如果这类极端组合太多，你可以考虑合并相似的小样本组合，或者调整抽样比例。

内容的提问来源于stack exchange，提问作者Andres