3.从网上下载adult数据集，导入并切分成训练集和测试集。展示数据集的大小、部分数据集、训练集的大小、测试集的大小等。

首先，你需要访问UCI Machine Learning Repository（https://archive.ics.uci.edu/ml/datasets/adult），那里有Adult Income数据集，这是一个关于美国人口普查的数据集，用于预测个人年收入超过5万美元的概率。

下载完成后，你可以使用Python的pandas库来处理数据。这里是一个简单的步骤说明：

1. **导入所需的库**:

import pandas as pd
from sklearn.model_selection import train_test_split

2. **加载数据**:

url = "https://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.data"
column_names = ['age', 'workclass', 'fnlwgt', 'education', 'education-num', 'marital-status', 'occupation', 'relationship', 'race', 'sex', 'capital-gain', 'capital-loss', 'hours-per-week', 'native-country', 'income']
data = pd.read_csv(url, names=column_names, header=None)

注意：原始数据没有列名，所以我们手动指定了一组列名。

3. **查看数据集大小**:

print("数据集大小:", data.shape)

4. **预处理数据，例如处理缺失值和类别变量**。这通常需要编码（如One-Hot编码）类别特征。

5. **分割数据**:

X = data.drop('income', axis=1) # 特征
y = data['income'] # 目标变量

# 划分训练集和测试集（常见的比例是80%训练，20%测试）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

6. **检查训练集和测试集的大小**:

print("训练集大小:", X_train.shape, ", 测试集大小:", X_test.shape)

通过上述操作，你应该能看到数据集的总体规模以及训练集和测试集的具体大小。这部分代码会根据给定的`test_size`生成随机划分，所以每次运行结果可能会有所不同。