[問題] 平均分布分割測試與訓練資料

[shirley7483 (Shirley)]

[問題類型]:
程式諮詢(我想用R 做某件事情，但是我不知道要怎麼用R 寫出來)

[軟體熟悉度]:
入門(寫過其他程式，只是對語法不熟悉)

[問題敘述]:

透過logit model，用各個商品的屬性及是否閱讀商品評論，預測消費者會購買哪種商品

為了實作predit()要分割資料集

已知caret package的createDataPartition能將訓練與測試集的商品依比例平均分布

但資料集為long format，每四列為一個單位（一個受測者產生四列資料，為四個商品）

使用createDataPartition後，資料被打散了，不再是每四列為一單位

該如何保持資料每四列一個單位，但訓練與測試集中的商品還是可以按比例分布呢？

ps被購買的商品比例本來就不平均，但希望訓練集與測試集的比例相同，例如10:5:2:1


[程式範例]:

共有432名受測者，1728列資料，long format資料集如圖 http://imgur.com/pWhvNCF

各商品被購買的比例大約為
HighJ  HighU  LowJ  LowU
 272    80     60    20

library(caret)
Train <- createDataPartition(mydata$purchase, p=0.6, list=FALSE)
training <- mydata[ Train, ]
testing <- mydata[ -Train, ]

照上述程式碼跑無錯誤訊息，但是資料被打散
推測可能是用來取index的mydate$purchase有問題，不知道該怎麼改才好@@


[環境敘述]:
R version: 3.2.3 (2015-12-10)
Platform: x86_64-w64-mingw32
Running under: Windows >= 10

[關鍵字]:

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 111.240.104.195
※ 文章網址: https://www.ptt.cc/bbs/R_Language/M.1498038223.A.AC3.html
推 f496328mm: 有id就好辦了，去sample，然後 %in% 就可以抓出來了
推 f496328mm: sample(nrow(data)/4,train.amount)
→ f496328mm: 上面是取 train 的 id，之後去抓相同的id即可
推 f496328mm: data[ subject_id %in% train_id ]
感謝回覆！我試做之後好像有點錯誤，可以指正一下嗎>"<

# 解讀為從1728筆中，取出260個數字當作train_id
sample(nrow(mydata)/4, 260)
newdata <- mydata[ "subject_id" %in% "train_id" ]

不太確定%in%的用法，google一直忽略%所以查不到......
所以第二行還不太理解，直接照打後發現如果不加 " " 會出現下述錯誤
Error in match(x, table, nomatch = 0L) : object 'subject_id' not found

沒有error順利跑完後，newdata有1728obs. of 0 variables
請問有哪裡做錯了嗎QAQ
※ 編輯: shirley7483 (111.240.104.195), 06/21/2017 18:35:13
→ obarisk: 我們的google不一樣？
→ obarisk: https://www.google.com.tw/search?q=r+%25in%25&ie=utf-
→ obarisk: 8&oe=utf-8&gws_rd=cr&ei=RFBKWYHnJ4S20ATg3oz4BQ
→ obarisk: https://tinyurl.com/yapu9sbe
→ obarisk: 我貼網址的能力有問題
→ obarisk: https://stackoverflow.com/questions/10385863/the-r-in
→ obarisk: -operator
→ obarisk: ?`%in%`
抱歉我估狗%in% r，出現一堆XXX in R的資料，原來放前後順序搜尋有差，學到了！
也感謝提醒?`%in%`，原來符號前後面要加`，難怪我一直出現error...

重新理解後做了修正，感覺很接近需求了，只是這次又出現一些問題
train_id <- sample(nrow(mydata)/4,260, replace = FALSE)
length(train_id)  #確定真的有取出260個數字做為train_id
mydata$train <- mydata$subject_id %in% train_id  #新增欄位放比對後的True/False
traindata <- mydata[mydata$train == TRUE, ]  #有train==TRUE那列放到新dataframe

正常來說，traindata應該要有260*4=1040筆
但traindata只有900多筆，而且每次做數量都不同...好困惑啊
再麻煩各位協助了>"<
※ 編輯: shirley7483 (111.240.104.195), 06/21/2017 19:55:27
※ 編輯: shirley7483 (111.240.104.195), 06/21/2017 20:00:48

抱歉！！！
上述程式沒有問題，能夠成功取出1040筆資料
是我原始資料中的編號出錯，改正後已解決

感謝各位的協助，讓我成功可以繼續下一步 m(_ _)m
※ 編輯: shirley7483 (111.240.104.195), 06/21/2017 20:20:07
→ f496328mm: mydata[ "subject_id" %in% "train_id" ] 把引號拿掉
→ f496328mm: 如果會有error  那把mydata轉成data.table型態
→ shirley7483: 成功！使用data.table好快速啊，馬上筆記起來，感謝~
※ 編輯: shirley7483 (111.240.104.195), 06/22/2017 08:34:06
→ celestialgod: 樓樓上只是少一個,所以才出錯
→ f496328mm: 原來不是引號的問題QQ
→ celestialgod: data.table可以不用,，但data.frame, matrix一定要