Excel formula Excel-如何将数据拆分为均匀分布的训练集和测试集

我有一个数据集（Excel），我将导入SAS进行一些建模

我有一种随机拆分excel数据集的方法（使用

=RAND（）

函数），但是（在拆分阶段）有没有办法确保样本的分布是均匀的（除了保持随机拆分和测试分布，直到它变得可接受）

否则，如果这在SAS中执行得最好，那么测试样本随机性的最有效方法是什么

---

数据集包含35个变量，混合了二进制、连续和分类变量。

这个答案与Excel无关，而是与采样策略有关

首先，我们必须构造一个标准，使样本的度量值与完整的数据集“足够接近”

假设我们对平均值和标准偏差感兴趣，并且整个总体是一组10000个值，列a

我们计算完整数据集的平均值和标准差

为每项措施制定一个“足够接近”的标准

比如说，挑选500个样本

计算样本的度量值

如果措施“足够接近”，我们就完成了，否则再选择500个

---

我们需要小心，标准不要太严格；否则我们可能会永远循环。

这个答案与Excel无关，而是与采样策略有关

首先，我们必须构造一个标准，使样本的度量值与完整的数据集“足够接近”

假设我们对平均值和标准偏差感兴趣，并且整个总体是一组10000个值，列a

我们计算完整数据集的平均值和标准差

为每项措施制定一个“足够接近”的标准

比如说，挑选500个样本

计算样本的度量值

如果措施“足够接近”，我们就完成了，否则再选择500个

---

我们需要小心，标准不要太严格；否则我们可能会永远循环。

在SAS中，您可以使用

proc surveyselect

来执行此操作

proc surveyselect data=sashelp.cars out=cars_out outall samprate=0.7;
run;

data train test;
  set cars_out;
  if selected then output test;
  else output train;
run;

如果有一个特定变量需要确保列车和测试集的平衡，则可以使用

strata

或

control

，具体取决于您所谈论的内容<代码>控制将简单地尝试通过控制变量对事物进行近似均衡（它通过控制变量进行排序，然后每三次或任何时候拉动一次，因此您得到一种近似平衡；如果您有2个以上的控制变量，它会在内部进行snake排序，Asc。然后Desc。等等，但这会减少随机性）

如果您使用

地层

，它可以保证地层内的采样率-因此，如果您使用：

proc sort data=sashelp.cars out=cars;
  by origin;
run;


proc surveyselect data=cars out=cars_out outall samprate=0.7;
strata origin;
run;

（最后的分割数据步骤是相同的）然后你会得到每个单独原点的70%（当然，最终会达到总数的70%）

你做什么取决于你所关心的是什么。你做的事情越多，它就越不平衡，所以要小心；可能一个简单的随机样本是最好的，特别是如果你有足够好的N

---

如果你没有足够的N，那么你可以使用自举技术，这意味着你从70%的样本中抽取一个替换样本，然后抽取其中的100个样本，每个样本的N都比你原来的高。然后对每个选定的样本进行测试或其他任何操作，这些结果中的变化会告诉您如何进行测试，即使您的N不足以一次完成测试。

在SAS中，您只需使用

proc surveyselect

即可

proc surveyselect data=sashelp.cars out=cars_out outall samprate=0.7;
run;

data train test;
  set cars_out;
  if selected then output test;
  else output train;
run;

如果有一个特定变量需要确保列车和测试集的平衡，则可以使用

strata

或

control

，具体取决于您所谈论的内容<代码>控制将简单地尝试通过控制变量对事物进行近似均衡（它通过控制变量进行排序，然后每三次或任何时候拉动一次，因此您得到一种近似平衡；如果您有2个以上的控制变量，它会在内部进行snake排序，Asc。然后Desc。等等，但这会减少随机性）

如果您使用

地层

，它可以保证地层内的采样率-因此，如果您使用：

proc sort data=sashelp.cars out=cars;
  by origin;
run;


proc surveyselect data=cars out=cars_out outall samprate=0.7;
strata origin;
run;

（最后的分割数据步骤是相同的）然后你会得到每个单独原点的70%（当然，最终会达到总数的70%）

你做什么取决于你所关心的是什么。你做的事情越多，它就越不平衡，所以要小心；可能一个简单的随机样本是最好的，特别是如果你有足够好的N

---

如果你没有足够的N，那么你可以使用自举技术，这意味着你从70%的样本中抽取一个替换样本，然后抽取其中的100个样本，每个样本的N都比你原来的高。然后你对每个选定的样本进行测试或其他任何测试，这些结果的变化会告诉你你是如何做的，即使你的N不足以一次通过。

请提供更多信息？数据？例子？在29个问题中，您已经在这里呆了足够长的时间，知道我们需要您的努力，然后我们会建议您阅读

proc surveyselect

，然后带着具体问题回到这里，如果您想了解更多问题信息，请？数据？例子？在29个问题中，您已经在这里呆了足够长的时间，知道我们需要您多做一点努力，然后我们会建议您阅读

proc surveyselect

，然后带着具体问题回到这里，如果遇到问题，非常感谢，非常感谢您的详细解释，我将尝试两种方法，看看这两种方法的效果如何