如何在Python中不导入sklearn库使用train_test_split进行数据划分？

在Python中，如果你想在不依赖`sklearn`库的情况下进行数据集的训练集和测试集划分，你可以使用内置的random模块。`train_test_split`函数通常用于`sklearn.model_selection`模块中，但我们可以手动实现类似的功能。以下是一个简单的例子：

import random

def train_test_split(data, targets, test_size=0.2, random_state=None):
    """
    分割数据集为训练集和测试集
    
    参数:
    data (list or array): 输入特征数据
    targets (list or array): 目标变量或标签
    test_size (float, optional): 测试集的比例，默认为0.2
    random_state (int, optional): 随机种子保持结果一致，默认None
    
    返回:
    tuple: (train_data, train_labels), (test_data, test_labels)
    """
    assert len(data) == len(targets), "输入数据和标签长度不匹配"
    
    indices = list(range(len(data)))
    random.Random(random_state).shuffle(indices)

    split_index = int(len(indices) * (1 - test_size))
    train_indices = indices[:split_index]
    test_indices = indices[split_index:]

    train_data = [data[i] for i in train_indices]
    train_labels = [targets[i] for i in train_indices]

    test_data = [data[i] for i in test_indices]
    test_labels = [targets[i] for i in test_indices]

    return train_data, train_labels, test_data, test_labels

# 示例
data = ... # 你的数据列表
labels = ... # 标签列表
train_data, train_labels, test_data, test_labels = train_test_split(data, labels)

在这个例子中，我们首先生成了随机的索引列表，然后根据给定的测试集比例划分训练集和测试集。请注意，这个自定义版本没有`stratify`选项来保证类别平衡等高级特性，如果你需要这些功能，还是推荐使用`sklearn`库。