划分训练集、测试集、特征集和标签集的顺序

通常情况下，划分训练集、测试集、特征集和标签集的顺序如下：

1. 读入数据集；
2. 对数据集进行必要的预处理，例如清洗、去重、转换数据类型等；
3. 将特征和标签分别提取出来，通常将特征保存为一个矩阵（或张量），将标签保存为一个向量（或张量）；
4. 对特征进行归一化处理；
5. 将数据集划分为训练集和测试集，可以使用`train_test_split`函数，也可以手动按照一定比例划分；
6. 将训练集和测试集的特征和标签分别保存为四个NumPy数组。

下面是一个示例代码，演示了如何按照上述顺序划分数据集：

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split

# 读入数据集
data = pd.read_csv('your_data.csv')

# 对数据集进行必要的预处理

# 将特征和标签分别提取出来
features = data.drop(['label'], axis=1)
labels = data['label']

# 对特征进行归一化处理
scaler = MinMaxScaler()
features = scaler.fit_transform(features)

# 将数据集划分为训练集和测试集
train_features, test_features, train_labels, test_labels = train_test_split(
    features, labels, test_size=0.2, random_state=42)

# 将训练集和测试集的特征和标签分别保存为四个NumPy数组
np.save('train_features.npy', train_features)
np.save('train_labels.npy', train_labels)
np.save('test_features.npy', test_features)
np.save('test_labels.npy', test_labels)

这样，我们就完成了数据集的划分和保存。需要注意的是，在划分数据集时，通常需要设置一个随机种子`random_state`，以确保每次运行代码时得到的结果都是一致的。