在R语言中计算二元分类变量均值及因子型变量分层抽样问题

嘿，针对你提出的两个R语言问题，我来一步步帮你解决：

一、计算因子型二元分类变量的均值 #

你的Class是取值为0和1的因子类型，直接用mean(Class)会出问题——因为R里的因子底层是整数编码的（比如水平"0"对应整数1，水平"1"对应整数2），直接算均值得到的是这些整数的平均值，完全不是你想要的0/1比例。

你可以用这几种方法转换后再计算：

• 方法1：先转字符再转数值
  这种方法最稳妥，不管因子水平的顺序如何都能得到正确的0/1数值：

  mean(as.numeric(as.character(TrimCredit$Class)))
  

• 方法2：利用因子整数编码调整
  如果你的因子水平顺序是c("0", "1")，可以直接对整数编码减1，得到真实的0和1：

  mean(as.integer(TrimCredit$Class) - 1)
  

• 方法3：提前设置因子的数值标签
  在创建因子的时候就指定标签为数值，后续计算更方便：

  TrimCredit$Class <- factor(TrimCredit$Class, levels = c("0", "1"), labels = c(0, 1))
  mean(as.numeric(as.character(TrimCredit$Class)))
  

二、确保分层交叉验证折内类别占比一致 #

你提到用createFolds时，因子类型的Class好像没法保证折内比例一致，但其实createFolds本身是支持分层抽样的——只要传入因子变量，它会自动按照每个类别的比例来拆分折数。问题出在你验证比例时用了错误的均值计算方式，不是抽样的问题。

修正后的完整代码 #

library(caret)
library(plyr)

# 创建10折分层交叉验证的折数
nfold <- 10
folds <- createFolds(TrimCredit$Class, k = nfold, list = FALSE)
TrimCredit$fold <- folds

# 正确计算每个折中1的占比
ddply(TrimCredit, 'fold', summarise, 
      prop_of_1 = mean(as.numeric(as.character(Class))))

为什么之前的代码看起来“没用”？ #

你之前的mean(Class)计算的是因子的整数编码均值，比如某折中0和1各占一半，整数编码是1和2，均值就是1.5，这会让你误以为比例不对，但实际上createFolds已经做了正确的分层抽样。转换为0/1数值后再计算，就能看到每个折的1的占比和整体数据基本一致。

更直观的验证方式 #

如果你想确认每个折的类别数量分布，可以统计每个折里0和1的具体个数：

ddply(TrimCredit, .(fold, Class), summarise, count = length(Class))

这样就能清晰看到每个折内两个类别的数量比例和整体数据匹配，达到了你想要的分层效果。

内容的提问来源于stack exchange，提问作者jmasselli22