首页
/ dplyr中实现数据上采样的技术方案

dplyr中实现数据上采样的技术方案

2025-06-10 23:28:46作者:平淮齐Percy

在数据分析和机器学习领域,数据不平衡是一个常见问题。本文探讨了如何使用dplyr包实现数据上采样(up-sampling)的技术方案,以解决分类任务中类别不平衡的问题。

数据不平衡问题概述

数据不平衡指的是在分类问题中,不同类别的样本数量差异显著。例如在企鹅物种分类数据中,Adelie有152个样本,而Chinstrap只有68个样本。这种不平衡会影响机器学习模型的训练效果。

传统解决方案

传统上,我们可以使用base R的split-apply-combine模式或data.table包来解决这个问题:

# base R方案
do.call(rbind, lapply(split(x, ~.outcome), function(xx) {
  n = nrow(xx)
  if (n == maxClass) return(xx)
  new_rows <- sample.int(n, maxClass - n, replace = TRUE)
  rbind(xx, xx[new_rows, ])
}))

# data.table方案
x[, by = .outcome, {
  out <- .SD
  if (.N < maxClass) {
    new_rows <- sample.int(.N, maxClass - .N, replace = TRUE)
    out <- rbind(out, .SD[new_rows])
  }
  out
}]

然而,这些方法存在一些缺点,如split()会静默删除缺失值,且语法不够直观。

dplyr解决方案

dplyr提供了更优雅的解决方案。核心思路是:

  1. 计算每个类别的最大样本数
  2. 对样本数不足的类别进行有放回的随机抽样
  3. 组合原始数据和补充数据

具体实现如下:

upsample_indices <- function(n_elt, n_max) {
  indices <- seq_len(n_elt)
  
  if (n_elt < n_max) {
    extra <- sample(indices, size = n_max - n_elt, replace = TRUE)
    indices <- c(indices, extra)
  }
  
  indices
}

result <- dplyr::slice(data, upsample_indices(dplyr::n(), n_max), .by = .outcome)

技术要点解析

  1. slice()函数:这是dplyr中用于按行索引选择数据的函数,配合.by参数可以按组操作
  2. upsample_indices():自定义函数,生成需要保留和补充的行索引
  3. replace=TRUE:确保可以进行有放回抽样,这是上采样的关键

优势分析

相比传统方法,dplyr方案具有以下优势:

  1. 代码更简洁易读
  2. 自动处理分组操作
  3. 不会静默删除缺失值
  4. 保持了原始数据的完整性
  5. 与tidyverse生态无缝集成

实际应用建议

在实际项目中,可以考虑以下优化:

  1. 添加随机种子设置保证可重复性
  2. 考虑使用stratified sampling策略
  3. 结合recipes包构建完整的数据预处理流程
  4. 对于大数据集,考虑使用sparklyr实现分布式采样

这种上采样技术特别适用于分类模型训练前的数据准备阶段,能有效改善少数类别的学习效果。

登录后查看全文
热门项目推荐

热门内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
152
1.96 K
kernelkernel
deepin linux kernel
C
22
6
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
431
34
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
251
9
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
989
394
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
193
274
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
936
554
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
69