使用pytorch实现X_train, X_test1, y_train, y_test1 = train_test_split(X, y, test_size=ts, random_state=42)

train_test_split函数是sklearn库中的函数，如果想要使用pytorch实现相同的功能，可以使用torch.utils.data中的SubsetRandomSampler类对数据集进行划分。

具体实现步骤如下：

1. 首先将数据集封装成一个Dataset对象，可以使用PyTorch提供的Dataset类或自定义一个Dataset类。

2. 定义一个SubsetRandomSampler对象，指定训练集和测试集的索引。

3. 使用DataLoader类将数据集和Sampler对象进行组合，实现数据的批量读取。

下面是一个示例代码：

import torch
from torch.utils.data import Dataset, DataLoader, SubsetRandomSampler
import numpy as np

# 定义数据集类
class MyDataset(Dataset):
    def __init__(self, X, y):
        self.X = torch.FloatTensor(X)
        self.y = torch.LongTensor(y)
    
    def __len__(self):
        return len(self.X)
    
    def __getitem__(self, idx):
        return self.X[idx], self.y[idx]

# 划分训练集和测试集
ts = 0.2
random_state = 42
X = np.random.rand(100, 10)
y = np.random.randint(0, 2, size=(100,))
num_train = int((1 - ts) * len(X))
indices = np.arange(len(X))
np.random.seed(random_state)
np.random.shuffle(indices)
train_indices, test_indices = indices[:num_train], indices[num_train:]

# 构建数据集和Sampler对象
dataset = MyDataset(X, y)
train_sampler = SubsetRandomSampler(train_indices)
test_sampler = SubsetRandomSampler(test_indices)

# 使用DataLoader读取数据
batch_size = 16
train_loader = DataLoader(dataset, batch_size=batch_size, sampler=train_sampler)
test_loader = DataLoader(dataset, batch_size=batch_size, sampler=test_sampler)

# 打印训练集和测试集的大小
print(len(train_sampler))
print(len(test_sampler))

在这个示例代码中，我们定义了一个MyDataset类来封装数据集，其中__getitem__方法返回一个数据样本及其对应的标签。然后，我们使用numpy库将原始数据集随机划分成训练集和测试集，并使用SubsetRandomSampler类对索引进行抽样。最后，我们使用DataLoader类将数据集和Sampler对象进行组合，实现批量读取数据。