我是 R 的初学者，在一些感觉很基础的东西上遇到了麻烦，但我不知道该怎么做。我有一个包含 1319 行的数据集，我想为 1 到 1000 的观察设置训练数据和 1001 到 1319 的测试数据。
与我课堂上的笔记进行比较，教授通过她数据中的“年份”变量做一个布尔向量来设置它。例如：
train=(Year<2005)
这会返回真/假语句。
我理解这一点，并且如果我通过变量对数据进行子集化，我将能够设置一个布尔向量，但我必须严格按照我不明白如何完成的行数。我试过了
train=(data$nrow < 1001)
但结果是逻辑（0）。
谁能指引我正确的方向？
【问题讨论】：
标签： r logistic-regression training-data confusion-matrix test-data
你得到logical(0) 因为nrow 不是一个列
您还可以使用行号子集数据框
train = 1:1000 # vector with integers from 1 to 1000
test = 1001:nrow(data)
train_data = data[train,]
test_data = data[test,]
但要小心，除非数据框中的行顺序是完全随机的，否则您可能希望随机获取 1000 行而不是前 1000 行，您可以使用
train = sample(1:nrow(data),1000)
然后您可以使用
获取您的train_data 和test_data
train_data = data[train,]
test_data = data[setdiff(1:nrow(data),train),]
setdiff函数用于获取所有未在train中选择的行
【讨论】：
按行拆分数据集的问题是可能会在您的训练和测试集中引入偏差 - 特别是对于有序数据。
# Create a data set
data <- data.frame(year = sample(seq(2000, 2019, by = 1), 1000, replace = T),
data = sample(seq(0, 1, by = 0.01), 1000, replace = T))
nrow(data)
[1] 1000
如果你真的想取前 n 行那么你可以试试：
first.n.rows <- data[1:1000, ]
caret 包提供了一种在模型中使用交叉验证的更可靠的方法。
首先创建分区规则：
library(caret)
inTrain <- createDataPartition(y = data$year,
p = 0.8, list = FALSE)
注意 y = data$year 这告诉 R 使用变量 year 进行采样，确保您不会获得有序数据并不会向模型引入偏差。
p 参数告诉插入符号应该将多少原始数据划分到训练集，在本例中为 80%。
然后将分区应用到数据集：
# Create the training set
train <- data[inTrain,]
# Create the testing set
test <- data[-inTrain,]
nrow(train) + nrow(test)
[1] 1000
【讨论】：