Divida aleatoriamente los datos por criterio en un conjunto de datos de entrenamiento y prueba usando R

Question

Mar 19, 2014, 10:55 PM

Divida aleatoriamente los datos por criterio en un conjunto de datos de entrenamiento y prueba usando R

Gidday

Estoy buscando una manera de dividir aleatoriamente un marco de datos (por ejemplo, división 90/10) para probar y entrenar un modelo que mantenga ciertos criterios de agrupación.

Imagina que tengo un marco de datos como este:

> test[1:20,]
                companycode     year    expenses         
    1                 C1          1     8.47720                 
    2                 C1          2     8.45250                 
    3                 C1          3     8.46280                 
    4                 C2          1 14828.90603                 
    5                 C3          1   665.21565                 
    6                 C3          2   290.66596                 
    7                 C3          3   865.56265                 
    8                 C3          4   6785.03586                
    9                 C3          5   312.02617                 
    10                C3          6   760.48740               
    11                C3          7  1155.76758                
    12                C4          1  4565.78313                 
    13                C4          2  3340.36540                 
    14                C4          3  2656.73030                 
    15                C4          4  1079.46098                 
    16                C5          1    60.57039                 
    17                C6          1  6282.48118                 
    18                C6          2  7419.32720                 
    19                C7          1   644.90571                 
    20                C8          1 58332.34945

Lo que intento hacer es dividir este marco de datos en un conjunto de entrenamiento y prueba usando un criterio de división definido. Utilizando los datos proporcionados, quiero dividir los datos de manera que las empresas no se mezclen en ambos marcos de datos. El conjunto de datos 1 contiene diferentes compañías que el conjunto de datos 2.

Imagine una división 90/10, una división ideal se vería así:

> data_90split

           companycode     year    expenses         

        4                 C2          1 14828.90603                                 
        12                C4          1  4565.78313                 
        13                C4          2  3340.36540                 
        14                C4          3  2656.73030                 
        15                C4          4  1079.46098                 
        16                C5          1    60.57039
        5                 C3          1   665.21565                 
        6                 C3          2   290.66596                 
        7                 C3          3   865.56265                 
        8                 C3          4   6785.03586                
        9                 C3          5   312.02617                 
        10                C3          6   760.48740               
        11                C3          7  1155.76758                 
        17                C6          1  6282.48118                 
        18                C6          2  7419.32720
        1                 C1          1     8.47720                 
        2                 C1          2     8.45250                 
        3                 C1          3     8.46280



 > data_10split
                    companycode     year   expenses
        20                C8          1 58332.34945 
        19                C7          1   644.90571

Espero haber señalado claramente lo que estoy buscando. Gracias por sus comentarios.