我正在使用 dplyr 将一些数据简单拆分为训练和测试。
当我做一个简单的例子时，效果很好:
a = c(1, 2, 3, 4, 5, 6, 7, 8)
b = c("A", "B", "C", "D", "E", "F", "G", "H")
df = data.frame(a, b)
train = sample_frac(df, 0.8)
test = setdiff(df, train)
> nrow(train) + nrow(test) == nrow(df)
[1] TRUE
然而，当我尝试使用经典的 UCI Wine 数据集做同样的事情时，我似乎没有得到相同的结果:
wine = read.csv("http://www.nd.edu/~mclark19/learn/data/goodwine.csv")
wine_train = sample_frac(wine, 0.8)
wine_test = setdiff(wine, wine_train)
> nrow(wine_train) + nrow(wine_test) == nrow(wine)
[1] FALSE
> nrow(wine_train) + nrow(wine_test)
[1] 6105
> nrow(wine)
[1] 6497
有什么关于我缺少的 setdiff 行为的东西吗？
谢谢，
AG
最佳答案
可能是因为有重复的行:
>any(duplicated(wine))
[1] TRUE
如果您清理数据集:
drunk = wine[!duplicated(wine),]
drunk_train = sample_frac(drunk, 0.8)
drunk_test = setdiff(drunk, drunk_train)
nrow(drunk_test) + nrow(drunk_train) == nrow(drunk)
[1] TRUE
关于r - 如何使用 dplyr 的 setdiff 将数据分成两组，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/28387725/