通过基于 R 中的邮政编码等分行来创建两个数据集

Question

我有一个包含客户代码、客户姓名和邮政编码的数据集。数据集有 149130 行。我想将它平均分成两个数据集（每个数据集 74565 行）并导出到 excel 中。但是我想确保如果一个邮政编码有两个客户 - 一个去dataset1，另一个去dataset2。其余的可以是随机选择的客户。我是 r 新手，尝试过各种训练/测试和示例代码 - 但是我无法达到所需的结果。

总结一下 - 我正在尝试从数据框中创建 2 个随机样本，但想确保如果某个邮政编码下的客户超过 2 个 - 他们应该在两个样本之间平均分配。

样本数据 -

enter image description here TIA

Answer 1

我的一般做法是：

• 从起始数据集中创建一个具有唯一邮政编码的额外数据集
• 如果需要，随机随机播放
• 把它分成两半
• 右连接起始数据集，其中一半在邮政编码上以获得第一个样本，另一半获得第二个样本

Answer 2

让我们制作一些可重现的数据。

set.seed(2020)
zipcode <- sample.int(10000:99999, size = 149130, replace = TRUE)
zipcode <- stringr::str_pad(as.character(zipcode), width = 5, pad = "0")
custname <- sample(letters, size = 149130, replace = TRUE)
customers <- data.frame(zipcode = zipcode, custname = custname)
str(customers)
#> 'data.frame':    149130 obs. of  2 variables:
#>  $ zipcode : chr  "09628" "09452" "07767" "08920" ...
#>  $ custname: chr  "k" "y" "n" "a" ...

那就让caret 做所有的辛苦工作吧。它添加了一列，然后您可以使用该列将一个数据帧拆分为 2。我 head 结果但人工检查是您尽可能接近 50/50

customers$whichsample <- caret::createFolds(factor(customers$zipcode), 
                                                   k = 2, 
                                                   list = FALSE )

head(table(customers$zipcode, customers$whichsample))
#>        
#>          1  2
#>   00001  8  7
#>   00002  4  5
#>   00003  8  7
#>   00004  7  6
#>   00005  7  8
#>   00006 11 11

随后要求展示如何划分为两个单独的数据帧。假设你想要csample1 和csample2 的安全和慢tidy 方法

csample1 <- customers %>% filter(whichsample == 1)
csample2 <- customers %>% filter(whichsample == 2)

^{由reprex package (v0.3.0) 于 2020 年 5 月 6 日创建}