在R语言中拆分customerduration_data数据框为训练集与测试集

嘿，我来帮你搞定训练集和测试集拆分的问题！针对你的customerduration_data数据框，这里有几种实用的实现方法，你可以根据自己的需求来选：

如果你不想装新包，用基础R的sample()函数就能快速搞定，记得先设置随机种子保证结果可重复：

# 设置随机种子，确保每次运行拆分结果一致
set.seed(123)

# 生成随机索引，比如按7:3的比例拆分训练集和测试集
train_index <- sample(nrow(customerduration_data), size = 0.7 * nrow(customerduration_data))

# 拆分数据
train_data <- customerduration_data[train_index, ]
test_data <- customerduration_data[-train_index, ]

这个方法简单直接，适合快速拆分；但如果需要分层抽样（比如保持durationCUST_hours的分布），下面的方法会更合适。

caret包的createDataPartition()函数可以方便地做分层抽样，特别适合需要维持目标变量分布的场景：

# 先安装并加载caret包（如果没装过的话）
# install.packages("caret")
library(caret)

set.seed(123)
# 按目标变量durationCUST_hours分层，70%作为训练集
train_index <- createDataPartition(customerduration_data$durationCUST_hours, p = 0.7, list = FALSE)

train_data <- customerduration_data[train_index, ]
test_data <- customerduration_data[-train_index, ]

这里的list = FALSE是让结果返回矩阵格式，方便直接用来索引数据框。

因为你的数据是tbl_df（tidyverse风格的数据框），rsample包的语法会更贴合tidyverse的使用习惯，用起来很顺手：

# 安装并加载rsample包
# install.packages("rsample")
library(rsample)

set.seed(123)
# 初始化拆分，比例7:3
data_split <- initial_split(customerduration_data, prop = 0.7)

# 提取训练集和测试集
train_data <- training(data_split)
test_data <- testing(data_split)

这个方法会返回和原数据一致的tbl_df格式，后续用tidyverse的其他工具处理也更顺畅。

最后提醒下：不管用哪种方法，设置set.seed()都很重要——这样你每次运行代码得到的拆分结果都是一样的，方便后续的模型调试和验证～

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