用python machine learning 将训练集分类，一部分训练一部分测试 不重新排序

在Python的机器学习中，通常我们会将数据划分为训练集和测试集来进行模型评估。如果你想要在不重新排序数据的情况下进行这种分割，可以使用`train_test_split`函数来自sklearn库。这个函数会直接按比例划分原始数据，保持数据原有的顺序。

下面是一个简单的例子：

from sklearn.model_selection import train_test_split

# 假设你有一个名为df的数据框，其中包含特征和目标变量
X = df.drop('target', axis=1)  # 特征
y = df['target']                # 目标变量

# 默认70%的数据用于训练，30%用于测试，如果不指定random_state，则结果每次可能会不同
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, shuffle=False)

# 现在你可以分别对训练集(X_train, y_train)和测试集(X_test, y_test)进行模型训练和评估

在这个示例中，`shuffle=False`表示数据不会被打乱顺序。但是请注意，尽管数据本身没有被重新排序，但在随机森林、神经网络等算法内部，可能由于抽样过程而造成某些样本的顺序变化，这是无法避免的。