进行数据准备，将df数据框分为X_data（除去species列的数据），预测目标y_data（species列）。在此基础上，划分训练集与测试集，固定random_state为1，用25%的数据测试，75%的数据训练，并显示训练集（X_trainingSet）、测试集（X_testSet）的形状

以下是代码实现：

import pandas as pd
from sklearn.model_selection import train_test_split

# 读取鸢尾花数据集
iris_data = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data', 
                        header=None, names=['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species'])

# 将df数据框分为X_data（除去species列的数据），预测目标y_data（species列）
X_data = iris_data.drop(columns=['species'])
y_data = iris_data['species']

# 划分训练集与测试集
X_trainingSet, X_testSet, y_trainingSet, y_testSet = train_test_split(X_data, y_data, test_size=0.25, 
                                                                      random_state=1)

# 显示训练集（X_trainingSet）、测试集（X_testSet）的形状
print('X_trainingSet shape:', X_trainingSet.shape)
print('X_testSet shape:', X_testSet.shape)

输出结果为：

X_trainingSet shape: (112, 4)
X_testSet shape: (38, 4)

其中，训练集包含112个样本，测试集包含38个样本。每个样本有4个特征。