我有一个数据集，包含3个预测变量（P1-P3）和1个作为结果的响应变量（Response）。数据来自5个中心（共200个ID）。我将整个数据集分为训练集（70%）和测试集（30%）。

样本数据：

ID  Centers   P1    P2  P3  ResponseID1 Center1   12    1   1   Class1ID2 Center2   73    1   3   Class2ID3 Center3   56    2   1   Class1ID4 Center1   44    1   3   Class2ID5 Center4   33    1   1   Class1ID6 Center5   26    1   1   Class2ID7 Center2   61    1   1   Class1ID8 Center3   44    1   3   Class2ID9 Center5   45    1   1   Class1

我希望划分训练和测试数据集时考虑到中心和结果变量的类别，我可以写的代码是

library(caret)set.seed(123)train.index <- createDataPartition(data$Response, p = .7, list = FALSE)train <- data[ train.index,]test  <- data[-train.index,]

如何编写代码以确保划分时从所有中心选择数据？

回答：

这可能不是完美的答案，但我遇到过类似的问题，我使用dplyr::group_by和dplyr::sample_n来处理。我需要按组平衡训练和测试数据，并且test数据集是我的数据中不包含在train数据集中的个体子集。

例如，使用著名的mtcars数据集：

library(dplyr)mtcars %>%              # 在你的情况下是你的数据    group_by(cyl) %>%   # 在你的情况下是Centers    sample_n(2)         # 这里是每个组的样本数量

因此，变成了：

train <- data %>% group_by(Centers) %>% sample_n(28)

这意味着，如果你有200行数据和5个中心，并且每个中心的个体数量相同（我们称之为平衡），那么每个组有200/5 = 40个，因此sample_n在不重复的情况下最大可以是40。

如果每组数据是平衡的，如果我的数学计算没错，你可以设置为28（200/100*70/5），以达到每个组70%的覆盖率。

如果各组不平衡，在不重复的情况下，你可以将参数设置为最小组的数量。

另一方面，你需要设置重复抽样。

要设置测试集，如果你希望包含不在训练集中的个体，你可以这样做：

test <- data %>% filter(!ID %in% train$ID)

希望这对你有帮助。