一、主要函数
sklearn.datasets.my_train_test_split()
该函数为Scikit-learn 中用于将数据集划分为训练集和测试集的函数，适用于机器学习模型的训练和验证。以下是详细解释：
1、函数签名
train_test_split(
*arrays, # 输入的数据集（可以是多个数组，如 X, y）
test_size=None, # 测试集的比例或样本数
train_size=None, # 训练集的比例或样本数
random_state=None, # 随机种子（确保结果可复现）
shuffle=True, # 是否打乱数据顺序
stratify=None # 是否分层抽样（保持类别比例）
)返回值：
- 分割后的数据集，例如
X_train, X_test, y_train, y_test（顺序与输入一致）。
2、参数详解
1. ***arrays**（必填）
- 输入的数据集，可以是多个数组（如特征矩阵
X和标签y），支持同时拆分多个数据集。 - 例如：
X_train, X_test, y_train, y_test = train_test_split(X, y)。
2. **test_size**（默认 None）
- 浮点数：表示测试集占总数据的比例（如
test_size=0.2表示 20% 作为测试集）。 - 整数：表示测试集的绝对样本数（如
test_size=100）。 - 如果
test_size和train_size均为None，默认test_size=0.25。
3. **train_size**（默认 None）
- 类似
test_size，但指定训练集的比例或样本数。 - 通常只需指定
test_size或train_size中的一个。
4. **random_state**（默认 None）
- 随机种子，保证每次分割结果一致。
- 例如：
random_state=42使结果可复现。
5. **shuffle**（默认 True）
- 是否在分割前打乱数据顺序。
- 时间序列数据 需设置为
shuffle=False，避免破坏时间依赖性。
6. **stratify**（默认 None）
- 指定分层抽样的参考标签，保持训练集和测试集的类别分布与原始数据一致。
- 适用于分类任务中类别不平衡的数据。
- 例如：
stratify=y会根据y的类别比例分割数据。
二、手动实现数据集划分
1.按比例计算
import numpy as np
import matplotlib.pyplot as plt #绘图模块
from sklearn.datasets import make_blobs #聚类划分模块
#300样本，2个标签，3个聚类
x, y = make_blobs(
n_samples = 300,
n_features = 2,
centers = 3,
cluster_std = 1,
center_box = (-10, 10),
random_state = 233,
return_centers = False
)
#打印显示
plt.scatter(x[:,0], x[:,1], c = y,s = 15)
plt.show()
#设置随机种子，将x打乱，并返回索引值
np.random.seed(233)
shuffle = np.random.permutation(len(x))
#设置划分比例
train_size=0.7
test_size =0.3
#得到对应比例的数据索引
train_index = shuffle[:int(len(x) * train_size)]
test_index = shuffle[int(len(x) * train_size):]
#得到数据集
x[train_index].shape, y[train_index].shape #结果：((210, 2), (210,))
x[test_index].shape, y[test_index].shape #结果：((90, 2), (90,))
2、上述过程封装
import numpy as np
from matplotlib import pyplot as plt
#函数封装
def my_train_test_split(x, y, train_size = 0.7, random_state = None):
if random_state:
np.random.seed(random_state)
shuffle = np.random.permutation(len(x))
train_index = shuffle[:int(len(x) * train_size)]
test_index = shuffle[int(len(x) * train_size):]
return x[train_index], x[test_index], y[train_index], y[test_index]
#调用
x_train, x_test, y_train, y_test = my_train_test_split(x, y, train_size = 0.7, random_state = 233)
x_train.shape, x_test.shape, y_train.shape, y_test.shape #结果：((210, 2), (90, 2), (210,), (90,))
#显示结果（训练集）
plt.scatter(x_train[:, 0], x_train[:, 1], c = y_train, s = 15)
plt.show()
#显示结果（测试集）
plt.scatter(x_test[:, 0], x_test[:, 1], c = y_test, s = 15)
plt.show()三、KNN方法实现数据集快速划分
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_blobs
#制作数据集
x, y = make_blobs(
n_samples = 300,
n_features = 2,
centers = 3,
cluster_std = 1,
center_box = (-10, 10),
random_state = 233,
return_centers = False
)
#调用
x_train, x_test, y_train, y_test = train_test_split(x, y, train_size = 0.7, random_state = 233)
#显示形状
x_train.shape, x_test.shape, y_train.shape, y_test.shape #结果：((210, 2), (90, 2), (210,), (90,))
#统计y_test标签
from collections import Counter
Counter(y_test) #结果：Counter({2: 34, 0: 25, 1: 31})，发现标签并不均匀
#加stratify = y限制，使其划分和标签类型一样
x_train, x_test, y_train, y_test = train_test_split(x, y, train_size = 0.7, random_state = 233, stratify = y)
print(Counter(y_test)) # 结果：Counter({2: 30, 0: 30, 1: 30})
print(Counter(y_train)) # 结果：Counter({0: 70, 2: 70, 1: 70})
