我有一个包含130000条记录和15个变量的数据集。

我想描述的变量是IsActive。问题在于，只有15000条记录的这个变量被设置为1，其余的都被设置为0。

首先，我想将源数据分割成两个数据集：

20% 大约30k条记录 -> 训练数据集

80% 大约120k条记录 -> 验证数据集

我希望在训练数据集中有5k条记录的active = 1，在验证数据集中有10k条记录的active = 1，并且希望这个设置容易调整。

我该如何做到这一点？

我已经做的事情是：

set.seed(2)ind <- sample(2, nrow(mydata), replace = TRUE, prob=c(0.8, 0.2))

当我想获取mydata的80%时：

newdata=mydata[ind == 1,]

回答：

你的问题仍然不合理：130,000的20%不是30,000。最简单的假设是修复你所有逻辑不一致的地方，即数据集有150,000条记录，所以我使用了这个假设。

这是一种实现方法：

# 样本数据集set.seed(1)                  # 为了可重复的示例df <- data.frame(id=1:150000,                 IsActive=sample(0:1,150000,replace=T,p=c(0.9,0.1)),                 x=rnorm(150000), y=runif(150000),z=rpois(150000,l=1))sum(df$IsActive==1)          # 验证# [1] 14887s1 <- sample(which(df$IsActive==1),5000)s2 <- sample(which(df$IsActive==0),25000)train <- df[c(s1,s2),]test  <- df[c(-s1,-s2),]# 验证any(test$id %in% train$id)   # 训练和测试是分开的# [1] FALSEsum(train$IsActive==1)       # 5000# [1] 5000sum(test$IsActive==1)        # 剩余的# [1] 9887