R 分层拆分为训练和测试，并处理每个地层的少量观测值

假设我有一个足球运动员工资、国籍和身高的数据集。我很想知道这两个变量与足球运动员的工资之间是否存在关联。我提出了一些不同的模型，并想比较这些模型的预测效果。但要做到这一点，我需要列车和测试数据，这些数据包含列车和测试数据中相同级别的国籍

假设我有这样的数据：

> soccer_player_df
     salary nationality   height
1  504731.1         USA 6.466627
2  485333.2         USA 5.468320
3  483259.4         USA 4.694929
4  493594.2         USA 5.685126
5  530805.8     England 5.856093
6  520851.5     England 6.031963
7  484309.9       Spain 6.127087
8  462986.6    Portugal 6.023823
9  492580.1      Brazil 5.949609
10 470410.0      Brazil 5.978207

我将如何分割数据，以保证列车和测试数据中每个国家至少有一次观察

---

如果一名足球运动员是其国籍的唯一代表（因此，对于那个国家，我无法拥有一对训练和测试），我将如何删除他呢？

正如我在评论中提到的，我建议签出——但有一点需要注意：您至少需要使用“data.table”的版本V1.9.3，可从以下网址获得

我还使用了“dplyr”来方便过滤

加载函数后，加载相关软件包并执行以下操作：

library(dplyr)
library(data.table)

set.seed(1)
soccer_player_df %>%
  group_by(nationality) %>%
  filter(length(nationality) > 1) %>%
  stratifiedDT("nationality", .5, bothSets = TRUE)
# $SAMP1
# Source: local data frame [4 x 3]
# Groups: 
# 
#     salary nationality   height
# 1 492580.1      Brazil 5.949609
# 2 530805.8     England 5.856093
# 3 483259.4         USA 4.694929
# 4 493594.2         USA 5.685126
# 
# $SAMP2
# Source: local data frame [4 x 3]
# Groups: 
# 
#     salary nationality   height
# 1 470410.0      Brazil 5.978207
# 2 520851.5     England 6.031963
# 3 504731.1         USA 6.466627
# 4 485333.2         USA 5.468320

bothSets

是一个新参数，可用于返回包含两个子集的

列表


如果你不喜欢生活在最前沿，你可以使用，这是非常快的（但没有“data.table”版本快）

用法基本相同：

soccer_player_df %>%
  group_by(nationality) %>%
  filter(length(nationality) > 1) %>%
  stratified("nationality", .5, bothSets = TRUE)


更新：
如果您只想使用该函数，而不想将“dplyr”仅用于过滤和管道，也可以直接在
分层
或
分层DDT
函数中进行子集设置。我添加了参数的名称，以便您可以更清楚地看到发生了什么：

set.seed(1)
stratified(
  soccer_player_df, 
  group = "nationality", 
  size = .5, 
  select = list(
    nationality = names(which(table(soccer_player_df$nationality) > 1))), 
  bothSets = TRUE)

请注意，有一个
select
参数可用于指定您感兴趣的子集。
请参阅my
分层
函数（其中有and）。使用
行名
（或“data.table”中的
rn
），并将样本
大小设置为
.5
。