4. 划分测试集和训练集：使用sklearn.model_selection库中的train_test_split函数将数据集划分为训练集和测试集，并按照类别标签比例进行分层抽样。

在Python中，使用scikit-learn（sklearn）库进行机器学习任务时，常常需要将数据划分为训练集和测试集。`train_test_split` 函数可以帮助我们完成这个过程，特别是当我们需要考虑类别标签平衡时，可以使用`stratify` 参数进行分层抽样。

以下是一个例子：

from sklearn.model_selection import train_test_split
import numpy as np

# 假设我们已经加载好数据，并已分离出 labels 和 values（如上所述）
labels = ... # 例如：['A', 'B', 'A', 'C', ...]
values = ... # 例如：[1, 2, 3, 4, ...]

# 确保 labels 和 values 的大小一致
assert len(labels) == len(values)

# 使用 stratify 参数，确保两类别的样本在训练集和测试集中分布均匀
X_train, X_test, y_train, y_test = train_test_split(values, labels, test_size=0.2, random_state=42, stratify=labels)

# 这里的X代表features（特征），y代表labels（类别标签）

在这个例子中，`test_size` 设置了测试集占总数据的比例，默认为0.25，即75%的数据用于训练，25%用于测试。`random_state` 是一个随机种子，保证每次运行的结果是一致的，如果设置为 None，则会生成随机结果。