Rを使い始めたばかりで、データセットを次のサンプルコードに組み込む方法がわかりません。

sample(x, size, replace = FALSE, prob = NULL)

トレーニング（75％）およびテスト（25％）セットに含める必要があるデータセットがあります。xとサイズにどのような情報を入力すればよいかわかりません。xはデータセットファイルであり、サンプルのサイズはいくつですか？

データのパーティショニングを実現するためのアプローチは数多くあります。より完全なアプローチについてcreateDataPartitionは、caToolsパッケージ内の関数を見てください。

以下に簡単な例を示します。

data(mtcars)

## 75% of the sample size
smp_size <- floor(0.75 * nrow(mtcars))

## set the seed to make your partition reproducible
set.seed(123)
train_ind <- sample(seq_len(nrow(mtcars)), size = smp_size)

train <- mtcars[train_ind, ]
test <- mtcars[-train_ind, ]

次の方法で簡単に実行できます。

set.seed(101) # Set Seed so that same sample can be reproduced in future also
# Now Selecting 75% of data as sample from total 'n' rows of the data  
sample <- sample.int(n = nrow(data), size = floor(.75*nrow(data)), replace = F)
train <- data[sample, ]
test  <- data[-sample, ]

caToolsパッケージを使用して：

require(caTools)
set.seed(101) 
sample = sample.split(data$anycolumn, SplitRatio = .75)
train = subset(data, sample == TRUE)
test  = subset(data, sample == FALSE)

これを使用dplyrすると、非常に簡単になります。データセットにid変数が必要です。これは、セットの作成だけでなく、プロジェクト中のトレーサビリティのためにも、とにかく良いアイデアです。含まれていない場合は追加してください。

mtcars$id <- 1:nrow(mtcars)
train <- mtcars %>% dplyr::sample_frac(.75)
test  <- dplyr::anti_join(mtcars, train, by = 'id')

これはほとんど同じコードですが、より見栄えが良いです

bound <- floor((nrow(df)/4)*3)         #define % of training and test set

df <- df[sample(nrow(df)), ]           #sample rows 
df.train <- df[1:bound, ]              #get training set
df.test <- df[(bound+1):nrow(df), ]    #get test set

library(caret)
intrain<-createDataPartition(y=sub_train$classe,p=0.7,list=FALSE)
training<-m_train[intrain,]
testing<-m_train[-intrain,]

「a」をトレイン（70％）とテスト（30％）に分割します

    a # original data frame
    library(dplyr)
    train<-sample_frac(a, 0.7)
    sid<-as.numeric(rownames(train)) # because rownames() returns character
    test<-a[-sid,]

できた

私の解決策は基本的にディコアと同じですが、解釈が少し簡単です：

data(mtcars)
n = nrow(mtcars)
trainIndex = sample(1:n, size = round(0.7*n), replace=FALSE)
train = mtcars[trainIndex ,]
test = mtcars[-trainIndex ,]

素晴らしいdplyrライブラリを使用した、より簡潔でシンプルな方法：

library(dplyr)
set.seed(275) #to get repeatable data

data.train <- sample_frac(Default, 0.7)

train_index <- as.numeric(rownames(data.train))
data.test <- Default[-train_index, ]

入力した場合：

?sample

は、サンプル関数のパラメーターの意味を説明するヘルプメニューを起動します。

私は専門家ではありませんが、ここに私が持っているいくつかのコードがあります：

data <- data.frame(matrix(rnorm(400), nrow=100))
splitdata <- split(data[1:nrow(data),],sample(rep(1:4,as.integer(nrow(data)/4))))
test <- splitdata[[1]]
train <- rbind(splitdata[[1]],splitdata[[2]],splitdata[[3]])

これにより、トレーニングが75％、テストが25％になります。

ここに掲載されているさまざまな方法をすべて調べた後、TRUE/FALSEデータの選択と選択解除に利用している人は誰もいませんでした。だからその手法を活かした方法を共有したいと思いました。

n = nrow(dataset)
split = sample(c(TRUE, FALSE), n, replace=TRUE, prob=c(0.75, 0.25))

training = dataset[split, ]
testing = dataset[!split, ]

説明

Rからデータを選択する方法は複数ありますが、最も一般的には、正/負のインデックスを使用してそれぞれ選択/選択解除します。ただし、を使用TRUE/FALSEして選択/選択解除することで、同じ機能を実現できます。

次の例を考えてみましょう。

# let's explore ways to select every other element
data = c(1, 2, 3, 4, 5)


# using positive indices to select wanted elements
data[c(1, 3, 5)]
[1] 1 3 5

# using negative indices to remove unwanted elements
data[c(-2, -4)]
[1] 1 3 5

# using booleans to select wanted elements
data[c(TRUE, FALSE, TRUE, FALSE, TRUE)]
[1] 1 3 5

# R recycles the TRUE/FALSE vector if it is not the correct dimension
data[c(TRUE, FALSE)]
[1] 1 3 5

私のソリューションでは、行をシャッフルしてから、行の最初の75％をトレーニングとして使用し、最後の25％をテストとして使用します。超シンプル！

row_count <- nrow(orders_pivotted)
shuffled_rows <- sample(row_count)
train <- orders_pivotted[head(shuffled_rows,floor(row_count*0.75)),]
test <- orders_pivotted[tail(shuffled_rows,floor(row_count*0.25)),]

rsampleパッケージの使用を提案できます。

# choosing 75% of the data to be the training data
data_split <- initial_split(data, prop = .75)
# extracting training data and test data as two seperate dataframes
data_train <- training(data_split)
data_test  <- testing(data_split)

scorecard パッケージにはそのための便利な機能があり、比率とシードを指定できます

library(scorecard)

dt_list <- split_df(mtcars, ratio = 0.75, seed = 66)

試験列車データがリストに格納され、呼び出すことによってアクセスすることができるdt_list$trainとdt_list$test

list同じサイズのサブサンプルの aを作成する関数の下にあります。これは、正確には望んでいたものではありませんが、他の人にとっては役立つかもしれません。私の場合、より小さいサンプルに複数の分類木を作成して、過適合をテストします。

df_split <- function (df, number){
  sizedf      <- length(df[,1])
  bound       <- sizedf/number
  list        <- list() 
  for (i in 1:number){
    list[i] <- list(df[((i*bound+1)-bound):(i*bound),])
  }
  return(list)
}

例：

x <- matrix(c(1:10), ncol=1)
x
# [,1]
# [1,]    1
# [2,]    2
# [3,]    3
# [4,]    4
# [5,]    5
# [6,]    6
# [7,]    7
# [8,]    8
# [9,]    9
#[10,]   10

x.split <- df_split(x,5)
x.split
# [[1]]
# [1] 1 2

# [[2]]
# [1] 3 4

# [[3]]
# [1] 5 6

# [[4]]
# [1] 7 8

# [[5]]
# [1] 9 10

RサンプルコードでcaToolsパッケージを使用すると、次のようになります。

data
split = sample.split(data$DependentcoloumnName, SplitRatio = 0.6)
training_set = subset(data, split == TRUE)
test_set = subset(data, split == FALSE)

ベースRを使用します。関数runifは、0から1までの均一に分散された値を生成します。カットオフ値（下の例ではtrain.size）を変化させることにより、カットオフ値より下のランダムレコードの割合が常にほぼ同じになります。

data(mtcars)
set.seed(123)

#desired proportion of records in training set
train.size<-.7
#true/false vector of values above/below the cutoff above
train.ind<-runif(nrow(mtcars))<train.size

#train
train.df<-mtcars[train.ind,]


#test
test.df<-mtcars[!train.ind,]

仮定すると、DFがあなたのデータフレームであり、あなたが作成することを75％の列車と25％のテストを

all <- 1:nrow(df)
train_i <- sort(sample(all, round(nrow(df)*0.75,digits = 0),replace=FALSE))
test_i <- all[-train_i]

次に、トレインを作成してデータフレームをテストします。

df_train <- df[train_i,]
df_test <- df[test_i,]

require(caTools)

set.seed(101)            #This is used to create same samples everytime

split1=sample.split(data$anycol,SplitRatio=2/3)

train=subset(data,split1==TRUE)

test=subset(data,split1==FALSE)

sample.split()関数は、データフレームに1つの余分列「split1」を追加すると行の2/3がFALSE.Nowとして、このTRUEとしての価値などsplit1がTRUEである行が列にコピーされ、他の行がテストにコピーされますがありますデータフレーム。

私はこれにぶつかりました、それも助けになります。

set.seed(12)
data = Sonar[sample(nrow(Sonar)),]#reshufles the data
bound = floor(0.7 * nrow(data))
df_train = data[1:bound,]
df_test = data[(bound+1):nrow(data),]

ここでは、データを特定の比率に分割できます。これは、80％がトレーニングで、20％がテストデータセットです。

ind <- sample(2, nrow(dataName), replace = T, prob = c(0.8,0.2))
train <- dataName[ind==1, ]
test <- dataName[ind==2, ]

sample再現可能な結果を​​探す場合は、分割に注意してください。データが少しでも変更されると、使用しても分割は異なりますset.seed。たとえば、データ内のIDの並べ替えられたリストがすべて1から10の間の数値であると想像してください。1つの観測、たとえば4をドロップした場合、場所ごとにサンプリングすると、移動した場所が5〜10になるため、異なる結果が得られます。

別の方法は、ハッシュ関数を使用してIDをいくつかの疑似乱数にマップし、これらの数値のmodでサンプリングすることです。このサンプルは、割り当てが相対的な位置ではなく、各観測のハッシュによって決定されるため、より安定しています。

例えば：

require(openssl)  # for md5
require(data.table)  # for the demo data

set.seed(1)  # this won't help `sample`

population <- as.character(1e5:(1e6-1))  # some made up ID names

N <- 1e4  # sample size

sample1 <- data.table(id = sort(sample(population, N)))  # randomly sample N ids
sample2 <- sample1[-sample(N, 1)]  # randomly drop one observation from sample1

# samples are all but identical
sample1
sample2
nrow(merge(sample1, sample2))

[1] 9999

# row splitting yields very different test sets, even though we've set the seed
test <- sample(N-1, N/2, replace = F)

test1 <- sample1[test, .(id)]
test2 <- sample2[test, .(id)]
nrow(test1)

[1] 5000

nrow(merge(test1, test2))

[1] 2653

# to fix that, we can use some hash function to sample on the last digit

md5_bit_mod <- function(x, m = 2L) {
  # Inputs: 
  #  x: a character vector of ids
  #  m: the modulo divisor (modify for split proportions other than 50:50)
  # Output: remainders from dividing the first digit of the md5 hash of x by m
  as.integer(as.hexmode(substr(openssl::md5(x), 1, 1)) %% m)
}

# hash splitting preserves the similarity, because the assignment of test/train 
# is determined by the hash of each obs., and not by its relative location in the data
# which may change 
test1a <- sample1[md5_bit_mod(id) == 0L, .(id)]
test2a <- sample2[md5_bit_mod(id) == 0L, .(id)]
nrow(merge(test1a, test2a))

[1] 5057

nrow(test1a)

[1] 5057

割り当ては確率的であるため、サンプルサイズは正確に5000ではありませんが、大きな数の法則により、大きなサンプルでは問題になりません。

参照：http : //blog.richardweiss.org/2016/12/25/hash-splits.html および/crypto/20742/statistical-properties-of-hash-functions-when -計算-モジュロ

set.seed(123)
llwork<-sample(1:length(mydata),round(0.75*length(mydata),digits=0)) 
wmydata<-mydata[llwork, ]
tmydata<-mydata[-llwork, ]

行と列のRインデックスを使用して、いくつかの行を選択する非常に簡単な方法があります。これにより、行数を指定してデータセットをクリーンに分割できます。たとえば、データの最初の80％としましょう。

Rでは、すべての行と列にインデックスが付けられるため、DataSetName [1,1]は「DataSetName」の最初の列と最初の行に割り当てられた値です。[x、]を使用して行を選択し、[、x]を使用して列を選択できます

たとえば、「data」という便利な名前のデータセットが100行ある場合、次のコマンドを使用して最初の80行を表示できます。

表示（データ[1:80、]）

同じ方法で、これらの行を選択し、次を使用してサブセット化できます。

train = data [1:80、]

テスト=データ[81：100、]

これで、データを2つの部分に分割して、リサンプリングすることができなくなりました。早くて簡単。