私はRで2/3、トレーニングでは1/3、テストでは1/3のデータセットを分割しようとしています。私は1つの分類変数と7つの数値変数を持っています。複数の観測クラスに基づいてrでデータを分割する
簡潔にするために、分類変数clは最初の100回の観測ではA、観測値101~200の場合はB、300回の観測ではC私はA、B、C、Dそれぞれについて2/3の観測値を持つパーティションを取得しようとしています（単純にデータセット全体の観測値の2/3を得るのではなくそれはおそらく各分類の等量がないため）。
sample(subset(data, cl=='A'))のようにデータのサブセットからサンプリングしようとすると、列は行の代わりに並べ替えられます。
要約すると、A、B、C、Dのそれぞれからの67のランダムな観測をトレーニングデータとして得、A、B、C、およびDのそれぞれについての残りの33個の観測値をテストとして保存することですデータ。私は鉱山と非常に似た質問を見つけましたが、複数の変数を考慮しませんでした。
これは長いかもしれないが、私はそれがより直感的だと思うと、ベースRで行うことができます;）
# create the data frame you've described
x <-
data.frame(
cl =
c(
rep('A' , 100) ,
rep('B' , 100) ,
rep('C' , 100) ,
rep('D' , 100)
) ,
othernum1 = rnorm(400) ,
othernum2 = rnorm(400) ,
othernum3 = rnorm(400) ,
othernum4 = rnorm(400) ,
othernum5 = rnorm(400) ,
othernum6 = rnorm(400) ,
othernum7 = rnorm(400)
)
# sample 67 training rows within classification groups
training.rows <-
tapply(
# numeric vector containing the numbers
# 1 to nrow(x)
1:nrow(x) ,
# break the sample function out by
# the classification variable
x$cl ,
# use the sample function within
# each classification variable group
sample ,
# send the size = 67 parameter
# through to the sample() function
size = 67
)
# convert your list back to a numeric vector
tr <- unlist(training.rows)
# split your original data frame into two:
# all the records sampled as training rows
training.df <- x[ tr , ]
# all other records (NOT sampled as training rows)
testing.df <- x[ -tr , ]
以下は、あなたのdata.frameに値"train"または"test"とset列を追加します。
library(plyr)
df <- ddply(df, "cl", transform, set = sample(c("train", "test"), length(cl),
replace = TRUE, prob = c(2, 1)))
あなたはベースave機能を使用して、同様の何かを得ることができますが、私はのためにかなりクリーン（読み）ddplyを見つけますこの特定の用途。
train.data <- subset(df, set == "train")
test.data <- subset(df, set == "test")
フォローアップ：
あなたはその後、subset機能を使用してデータを分割することができ、正確に2/3と1/3の大きさに各グループを分割するために、あなたが使用することができます。
df <- ddply(df, "cl", transform,
set = sample(c(rep("train", round(2/3 * length(cl)),
rep("test", round(1/3 * length(cl)))))
そこ機械学習の問題に対処するため、実際の素敵なパッケージキャレットあり、それは機能createDataPartition（）ほとんど2/3rds供給要因の各レベルから、このサンプリングを行い含まれています
#2/3rds for training
library(caret)
inTrain = createDataPartition(df$yourFactor, p = 2/3, list = FALSE)
dfTrain=df[inTrain,]
dfTest=df[-inTrain,]
これは魅力のように機能します – salvu
を層別化のための複数の要因による相互検証のためのデータを分割するための独自の関数を構築しながら、この問題にぶつかりました。このようなデータセットを作成するには、データを3つ（またはN）の同じサイズの部分に分割し、各階層内の観測を部分に均等に分割してから、テストセットとして3分の1を選択し、残りをトレーニングセットとして結合します。私はのリストの要素をRに入れます。
ここでは、階層化したいフィールドの列番号または列名として示されている複数の階層化係数をサポートする基本パッケージを使用して作成した関数です（mtcarsデータセットの例）。私はあなたにも列番号を使用することができます例外を除いて、そして得られたサブセットはリストの内側に与えられていること、それはddplyと機能的にかなり似ていると思う：それはどのように動作するかの
# Function that partitions data into a number of equally (or almost-equally) sized bins that do not overlap, and returns the data bins as a list
# Useful for cross validation
partition_data <- function(
# Data frame to partition (default example: mtcars data, assuming rows correspond to observations)
dat = mtcars,
# Number of equally sized bins to partition to (default here: 2 bins)
bins = 2,
# Stratification element, homogeneous subpopulations according to a column that should be subsampled,
# Observations within a substrata are divided equally to the partitioned bins
stratum = NA
){
# Total number of observations
nobs <- dim(dat)[1]
# Allocation vector, to be used for randomly distributing the samples to the bins
loc <- rep(1:bins, times=ceiling(nobs/bins))[1:nobs]
# If the dataset is stratified, each subpopulation is distributed equally to the bins, otherwise the whole population is the "subpopulation"
if(missing(stratum)){
pops <- list(sample(1:dim(dat)[1]))
}else{
uniqs <- na.omit(as.matrix(unique(dat[,stratum])))
pops <- list()
for(i in 1:nrow(uniqs)){
# If some of the stratified fields include NA-values, these will not be included in the sampling
w <- apply(as.matrix(dat[,stratum]), MARGIN=1, FUN=function(x) all(x==uniqs[i,]))
pops[[i]] <- sample(which(w))
}
}
indices <- vector(length=nobs)
# Assign the group indices according to permutated samples within each subpopulation
indices[unlist(pops)] <- loc
# Assign observations to separate locations in a list
partitioned_data <- lapply(unique(indices), FUN=function(x) dat[x==indices,])
# Return the result
partitioned_data
}
例。この仮想的な例では1は、「VS」の要因を望むだろうと平等にすべてのビン内で表現する「午前」は：アンソニーの答えからdata.frameで、議論した。この特定のデータセットで
set.seed(1)
# Stratified sampling, so that combinations of binary covariates vs = {0,1} & am = {0,1} appear equally over the randomized bins of data
pt <- partition_data(mtcars, stratum=c("vs", "am"), bins=3)
# Instances are distributed equally
lapply(pt, FUN=function(x) table(x[,c("vs","am")]))
#> lapply(pt, FUN=function(x) table(x[,c("vs","am")]))
#[[1]]
# am
#vs 0 1
# 0 4 2
# 1 3 2
#
#[[2]]
# am
#vs 0 1
# 0 4 2
# 1 2 3
#
#[[3]]
# am
#vs 0 1
# 0 4 2
# 1 2 2
# 10 or 11 samples (=rows) per partition of data (data had 11 columns)
lapply(pt, FUN=dim)
# Training set containing 2/3 of the stratified samples
# Constructed by dropping out the first third of samples
train <- do.call("rbind", pt[-1])
# Test set containing the remaining 1/3
test <- pt[[1]]
# 21 samples in training dataset
print(dim(train))
# 11 samples in testing dataset
print(dim(test))
> print(train)
mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2
Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6
> print(test)
mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2
Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
# Example of sampling without stratification; the binary covariates 'vs' and 'am' are probably not distributed equally over the bins
lapply(pt2 <- partition_data(mtcars, bins=3), FUN=function(x) table(x[,c("vs","am")]))
# Stratified according to a single covariate (cylinders)
lapply(pt3 <- partition_data(mtcars, stratum="cyl", bins=3), FUN=function(x) table(x[,c("cyl")]))
：
xpt <- partition_data(x, stratum="cl", bins=3)
# Same as:
#xpt <- partition_data(x, stratum=1, bins=3)
train_xpt <- do.call("rbind", xpt[-1])
test_xpt <- xpt[[1]]
#> summary(train_xpt[,"cl"])
# A B C D
#67 66 67 67
#> summary(test_xpt[,"cl"])
# A B C D
#33 34 33 33
ブリリアント！私はまだunlist機能について聞いていない。これは、私がやり遂げたことよりも、私が欲しいものを正確にやっているようです。 – Danny