我有一个包含来自三个不同项目的9558行的数据集。我想在三个相等的组中随机分割这个数据集,并为每个组分配一个唯一的ID,这样Project1_Project_2_Project3
就变成了Project1
,Project2
和Project3
。
我尝试了很多东西,并且搜索了我遇到类似问题的人的代码。我使用过sample_n()
和sample_frac()
,但不幸的是我自己无法解决这个问题:/
我做了一个我的数据集示例,如下所示:
ProjectName <- c("Project1_Project2_Project3")
data <- data.frame(replicate(10,sample(0:1,9558,rep=TRUE)))
data <- data.frame(ProjectName, data)
并且输出应该在三个相等的nrow=3186
组中随机分割,然后分配给值
ProjectName Count of rows
Project1 3186
Project2 3186
Project3 3186
IMO应该只分配随机项目名称。
dat$ProjectName <- sample(factor(rep(1:3, length.out=nrow(dat)),
labels=paste0("Project", 1:3)))
结果
head(dat)
# X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 ProjectName
# 1 1 1 0 1 1 1 1 0 1 0 Project1
# 2 1 1 1 1 1 1 0 0 1 0 Project1
# 3 0 0 1 1 0 0 0 1 1 1 Project1
# 4 1 1 1 0 1 0 1 1 0 1 Project3
# 5 1 0 0 1 1 1 1 0 0 1 Project1
# 6 1 0 0 0 0 1 0 1 1 1 Project3
table(dat$ProjectName)
# Project1 Project2 Project3
# 3186 3186 3186
数据
set.seed(42)
dat <- data.frame(replicate(10, sample(0:1, 9558, rep=TRUE)))
添加id
到data
:
data$id <- 1:nrow(data)
拿第一个样本:
project1 <- dplyr::sample_frac(data, 0.33333)
从数据中删除已使用的行并保存到project2
:
project2 <- data[!(data$id %in% project1$id), ]
示例剩下的一半:
project3 <- dplyr::sample_frac(project2, 0.5)
最后从project3
中删除project2
样本中的那些:
project2 <- project2[!(project2$id %in% project3$id), ]
检查所有id
s是否独一无二:
# should all be FALSE
any(project1$id %in% project2$id)
any(project1$id %in% project3$id)
any(project2$id %in% project3$id)
并仔细检查数据帧是否具有正确数量的情况:
nrow(project1)
nrow(project2)
nrow(project3)
我曾经遇到过同样的问题。这就是我做到的。如果您只是使用样本,那么这些组是不均匀的,通过抽取一个向量,其中组甚至为我工作。
sampleframe <- rep(1:3, ceiling( nrow( data)/3 ) )
data$grp <- 0
data[ , "grp" ] <- sample( sampleframe , size=nrow( data) , replace=FALSE )
project1 <- data[data$grp %in% 1 ,]
project2 <- data[data$grp %in% 2 ,]
project3 <- data[data$grp %in% 3 ,]
我喜欢解决方案in this comment到Github的要点。
您可以按照建议生成索引:
folds <- split(sample(nrow(data), nrow(data), replace = FALSE), as.factor(1:3))
然后使用以下方法获取3个相同大小的数据帧的列表:
datalist <- lapply(folds, function(x) data[x, ])