【Data Mining】01抽样技术

一、实验背景

在数据挖掘任务中，我们经常需要从大量数据中抽取样本进行分析或建模。本实验使用 R 自带的 iris 数据集，学习几种常见的抽样方法：

• 简单随机抽样
• 分层抽样
• 整群抽样
• 训练集 / 测试集划分

通过本实验，可以熟悉 R 语言的数据处理方式，并理解不同抽样技术的应用场景。

PS:对于每个属于R语言特性的代码，都进行了详细的解释，请放心食用！

---

二、数据集介绍

本实验使用 R 自带数据集 iris。

该数据集包含 150 条鸢尾花样本，每个样本有 5 个变量：

变量	含义
Sepal.Length	花萼长度
Sepal.Width	花萼宽度
Petal.Length	花瓣长度
Petal.Width	花瓣宽度
Species	花的品种

共有三种花：

• setosa
• versicolor
• virginica

---

三、加载数据

首先在 R 中加载 iris 数据集，并查看数据结构。

代码：

# 加载数据集
data(iris)

# 查看前6行数据
head(iris)

运行后，你应该可以看到 iris 数据的前6行。

---

四、简单随机抽样

简单随机抽样是最基本的抽样方式，每个样本被抽中的概率相同。

本实验需要完成两种抽样：

1️⃣ 有放回抽样

2️⃣ 无放回抽样

---

1 有放回抽样（抽取5个样本）

有放回抽样意味着 一个样本可以被抽到多次。

请完成代码：

# 设置随机种子，保证结果可复现
seed(123)

# 从 iris 数据中随机抽取5个样本（允许重复）
sample_replace <- iris[sample(1:nrow(iris),5,replace = TRUE), ]

# 输出结果
________

提示：

需要使用函数：

sample(1:nrow(iris),5,replace = TRUE)
1.其中nrow函数用于得到iris行数
2.r语言中下标左右都是闭区间 1:nrow(iris)
3.其中5代表抽样个数为5
4.replace = TRUE代表放回抽样，注意R语言中TRUE必须全为大写
5.sample函数第一个参数是待抽取的数据

关键参数：

replace = TRUE，用于决定是否放回抽样
默认 replace=FALSE

---

2 无放回抽样（抽取5个样本）

无放回抽样意味着 每个样本只能出现一次。

代码：

sample_noreplace <- iris[sample(1:nrow(iris), 5, replace = FALSE), ]

sample_noreplace

提示：

replace = FALSE

---

五、分层抽样

分层抽样是指 先按照某个变量分组，再在每个组内随机抽样。

在 iris 数据中，我们可以按 Species（花的品种） 进行分层。

以按等数量抽样为例：

步骤：

1. 加载 dplyr 包
2. 按 Species 分组
3. 每个组抽取 2 个样本

请补全代码：

# 加载 dplyr
library(dplyr)

stratified_sample <- iris %>%
  group_by(Species) %>%
  sample_n(2)

stratified_sample

提示：

%>%是管道符，代表将前一个值传输到下一个函数中，作为其第一个参数
也就是说将iris传到group_by()中作为其第一个参数，Species是第二个参数
其好处是避免了函数嵌套，便于理解

group_by()用于分类
sample_n()用于抽样
如果是按比例抽样则使用sample_frac()

如果有不同包中函数重名，则可使用dplyr::group_by(),
其中::是命名空间，用于指出使用哪个包的函数

---

六、整群抽样

整群抽样是指 先随机选择一个群体，然后选择该群体的全部样本。

在 iris 数据中：

每个 Species 可以看作一个"群"。

实验目标：

随机选择 1 个 Species，并取出该 Species 的全部样本。

代码：

# 随机选择一个 Species
cluster <- sample(unique(iris$Species), 1)

# 选择该 Species 的全部数据
cluster_sample <- iris[iris$Species == cluster, ]

cluster_sample

提示：

$ 是 R 语言里的列提取符号，作用是从数据框里提取出某一列的数据
iris$Species代表提取iris中的Species列的数据

unique() 是 "去重函数"，作用是把一列里重复的值只保留一个
unique(iris$Species)作用就是获取Species列中的类别

---

七、训练集和测试集划分

在机器学习和数据挖掘中，我们通常需要：

• 训练集（Training Set）
• 测试集（Test Set）

本实验要求：

75% 训练集
25% 测试集

步骤：

1️⃣ 随机抽取 75% 样本

2️⃣ 剩余样本作为测试集

请补全代码：

set.seed(123)

index <- sample(1:nrow(iris), 0.75*nrow(iris))

train_data <- iris[index, ]

test_data <- iris[-index, ]

# 查看样本数量
nrow(train_data)
nrow(test_data)

提示：

在 R 的数据框 / 向量索引中，- 表示："排除 / 不取这些下标 / 行号"
所以iris[-index, ]表示取排除index以外的行数据

---

八、实验总结

通过本实验，我学习了以下内容：

1. R 语言中如何加载数据集
2. 如何进行简单随机抽样（有放回 / 无放回）
3. 如何进行分层抽样
4. 如何进行整群抽样
5. 如何将数据划分为训练集和测试集

这些技术在数据挖掘和机器学习中具有重要意义，将为后续的数据建模打下基础。

---