R 如何根据ID'将数据框拆分为培训、验证和测试集；s

我需要将我的数据集随机拆分为训练集、验证集和测试集，如本文（）所示，但它需要随机链接到拆分主题ID，而不是整个数据框

当应用回答这个问题的代码时，它会完全随机地分割我的数据帧，但我有堆叠的ID，需要它们保持在一起，否则一个主题数据将分布在不同的集合上

对不起，如果这听起来有点混乱的话。以下是我的数据来解释这个问题：

df <- c(Contact.ID, Date.Time, Age, Gender, Attendance)

Contact.ID       Date.Time       Age   Gender   Attendance   
1   A       2012-07-06 18:54:48   37    Male         30    
2   A       2012-07-06 20:50:18   37    Male         30    
3   A       2012-08-14 20:18:44   37    Male         30   
4   B       2012-03-15 16:58:15   27  Female         40    
5   B       2012-04-18 10:57:02   27  Female         40    
6   B       2012-04-18 17:31:22   27  Female         40    
7   B       2012-04-18 18:37:00   27  Female         40    
8   C       2013-10-22 17:46:07   40    Male         5    
9   C       2013-10-27 11:21:00   40    Male         5    
10  D       2012-07-28 14:48:33   20  Female         12 

df您从中发布的代码为数据帧的每一行分配一个序列、验证或测试标签，然后根据每一行的标签进行拆分：

spec = c(train = .6, test = .2, validate = .2)
g = sample(cut(
  seq(nrow(df)), 
  nrow(df)*cumsum(c(0,spec)),
  labels = names(spec)
))
res = split(df, g)

set.seed(144)
spec = c(train = .6, test = .2, validate = .2)
g = sample(cut(
  seq_along(unique(df$Contact.ID)), 
  length(unique(df$Contact.ID))*cumsum(c(0,spec)),
  labels = names(spec)
))
(res = split(df, g[as.factor(df$Contact.ID)]))
# $train
#   Contact.ID          Date.Time Age Gender Attendance
# 1          A 2012-07-0618:54:48  37   Male         30
# 2          A 2012-07-0620:50:18  37   Male         30
# 3          A 2012-08-1420:18:44  37   Male         30
# 8          C 2013-10-2217:46:07  40   Male          5
# 9          C 2013-10-2711:21:00  40   Male          5
# 
# $test
#   Contact.ID          Date.Time Age Gender Attendance
# 4          B 2012-03-1516:58:15  27 Female         40
# 5          B 2012-04-1810:57:02  27 Female         40
# 6          B 2012-04-1817:31:22  27 Female         40
# 7          B 2012-04-1818:37:00  27 Female         40
# 
# $validate
#    Contact.ID          Date.Time Age Gender Attendance
# 10          D 2012-07-2814:48:33  20 Female         12

相反，您可以为ID因子变量的每个唯一级别分配一个标签，并根据分配给每行ID的标签进行拆分：

spec = c(train = .6, test = .2, validate = .2)
g = sample(cut(
  seq(nrow(df)), 
  nrow(df)*cumsum(c(0,spec)),
  labels = names(spec)
))
res = split(df, g)

set.seed(144)
spec = c(train = .6, test = .2, validate = .2)
g = sample(cut(
  seq_along(unique(df$Contact.ID)), 
  length(unique(df$Contact.ID))*cumsum(c(0,spec)),
  labels = names(spec)
))
(res = split(df, g[as.factor(df$Contact.ID)]))
# $train
#   Contact.ID          Date.Time Age Gender Attendance
# 1          A 2012-07-0618:54:48  37   Male         30
# 2          A 2012-07-0620:50:18  37   Male         30
# 3          A 2012-08-1420:18:44  37   Male         30
# 8          C 2013-10-2217:46:07  40   Male          5
# 9          C 2013-10-2711:21:00  40   Male          5
# 
# $test
#   Contact.ID          Date.Time Age Gender Attendance
# 4          B 2012-03-1516:58:15  27 Female         40
# 5          B 2012-04-1810:57:02  27 Female         40
# 6          B 2012-04-1817:31:22  27 Female         40
# 7          B 2012-04-1818:37:00  27 Female         40
# 
# $validate
#    Contact.ID          Date.Time Age Gender Attendance
# 10          D 2012-07-2814:48:33  20 Female         12

请注意，这改变了分割比例的解释：分配给训练集的60%现在是唯一主题ID的60%，而不是行的60%。
Hey:）非常感谢您的回复！我了解您的方法以及它应该如何工作，但它对我的数据不起作用。我有大约13000个ID，当我运行你的代码时，它会根据
spec
分割我的280000个观察值，但不同的集合仍然每个都有13000个ID，因此它仍然不会根据
spec
分割我的ID。你知道我该怎么改变吗？嘿，我想我已经解决了：我曾经用我的ID作为因子变量，但我现在试着把它们改成数字，我想这是可行的。这个问题有意义吗？@Fee我在这里发布的代码应该适用于ID字段的任何数据类型。如果您可以共享一些实际数据，例如，
dput（head（df））
的输出，如果您在为数据工作时遇到问题，这将非常有用。嘿，是的，我在一个小样本集上尝试了它，它确实起了作用。区别在于，当ID是一个因子时，它注册所有级别，而如果它是一个整数，它只注册当前ID。因此，是的，代码可以在任何一种变量类型上工作，但当用作因子时，它只是有点混乱。非常感谢你的帮助！：）@是的，这是有道理的。