用python代码实现：将数据集打乱，随机划分，80%为训练集，20%为测试集（120条训练样本，30条测试样本）

在Python中，我们可以使用`sklearn.model_selection.train_test_split`函数来方便地对数据集进行随机划分。首先，确保你已经安装了`sklearn`库。以下是如何实现这个过程的示例：

import numpy as np
from sklearn.model_selection import train_test_split

# 假设你有一个名为X的数据数组（特征），形状为(150, n_features)，和一个名为y的目标数组（标签），形状为(150,)，总共150个样本
# X = ... # 你的特征数据
# y = ... # 你的目标数据

# 首先，我们需要确保数据长度是一致的
assert len(X) == len(y), "特征和标签数据长度不一致"

# 打乱数据的顺序
np.random.seed(42)  # 设置随机种子，使得每次运行结果一致
perm = np.random.permutation(len(X))  # 获取随机排列索引
X_shuffled = X[perm]
y_shuffled = y[perm]

# 划分数据集
train_size = int(0.8 * len(X_shuffled))  # 训练集占80%
test_size = len(X_shuffled) - train_size  # 测试集占20%

X_train, X_test, y_train, y_test = train_test_split(
    X_shuffled, y_shuffled, train_size=train_size, test_size=test_size, random_state=42
)

# 现在X_train有120条样本（120*n_features），y_train有120条对应的目标；X_test有30条样本（30*n_features），y_test有30条对应的目标
print(f"训练集样本数: {len(X_train)}, 测试集样本数: {len(X_test)}")

这里，`random_state`参数用于设置随机状态，这样你可以重现相同的数据分割。如果你想要每次都得到不同的划分，可以去掉该参数。