### 数据预处理 **你需要做以下任务，排名不分先后** 1. 将整个数据集划分为训练集和测试集 2. 将parameter1和parameter2数据作为特征X，result数据作为标签y 3. 因为要简化截距项，所以插入全一列 4. 打乱数据 写出上述操作的代码

在Python中，你可以使用scikit-learn库来进行数据预处理。这里是一个简单的示例代码：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 假设data_df是你包含所有数据的DataFrame，其中parameter1和parameter2是你的特征列，result是目标变量
# Step 1: 划分训练集和测试集
X = data_df[['parameter1', 'parameter2']] # 特征列
y = data_df['result'] # 目标变量
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 80%用于训练，20%用于测试

# Step 2: 插入全一列（通常是为了添加截距项）
# 首先计算特征的平均值，然后创建一个全一列
mean_values = X_train.mean(axis=0)
X_train = pd.DataFrame(np.c_[X_train.values, mean_values], columns=X_train.columns.append('intercept'))
X_test = pd.DataFrame(np.c_[X_test.values, mean_values], columns=X_test.columns.append('intercept'))

# Step 3: 对特征进行标准化（简化是因为StandardScaler不会改变截距）
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# Step 4: 打乱数据
X_train, y_train = shuffle(X_train, y_train)  # 这里假设shuffle()函数来自sklearn.utils
X_test, y_test = shuffle(X_test, y_test) 

# 注意：train_test_split和shuffle不是sklearn自带的函数，这里为了简洁假设你有一个名为shuffle的自定义函数，实际应用中可以使用random.sample或者numpy的random.permutation等方法打乱数据