train_test_split非随机划分

train_test_split函数是机器学习中常用的数据集划分函数，用于将原始数据集划分为训练集和测试集。除了随机划分外，train_test_split函数还支持非随机划分。

非随机划分是指根据指定的规则或条件将数据集划分为训练集和测试集。这种划分方式可以根据特定需求进行数据集的划分，例如按时间顺序划分、按类别划分等。

train_test_split函数提供了一些参数来实现非随机划分，其中最常用的参数是stratify和shuffle。

- stratify参数：用于指定按照某个特征进行分层划分。例如，如果数据集中有一个类别标签列，可以使用stratify参数将数据集按照类别标签进行分层划分，确保训练集和测试集中各类别的样本比例相同。

- shuffle参数：用于指定是否对数据集进行洗牌操作。当shuffle参数设置为False时，train_test_split函数将按照原始数据集的顺序进行划分，即非随机划分。

下面是train_test_split函数非随机划分的示例代码：

from sklearn.model_selection import train_test_split

# 假设X为特征数据，y为目标变量
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, stratify=y, shuffle=False)

这段代码将原始数据集X和y按照指定的比例（test_size=0.2）进行划分，同时保持非随机划分（shuffle=False）和按照y进行分层划分（stratify=y）。