用Python代码实现：将数据集打乱，随机划分，80%为训练集，20%为测试集（120条训练样本，30条测试样本）

在Python中，我们可以使用`sklearn`库中的`train_test_split`函数来轻松地对数据集进行打乱和划分。假设你有一个名为`data`的数据集列表（包含150个元素），每个元素代表一条记录，你可以这样做：

import random
from sklearn.model_selection import train_test_split

# 假设 data 是一个包含150条数据的列表
data = ...  # 你需要填充实际的数据内容

# 首先，我们需要确保所有元素是可哈希的（如字典或元组）
if not all(isinstance(item, (dict, tuple)) for item in data):
    raise ValueError("Data elements must be hashable (e.g., dictionaries or tuples)")

# 打乱数据
random.shuffle(data)

# 定义训练集和测试集的比例
train_size = int(0.8 * len(data))
test_size = len(data) - train_size

# 划分数据集
train_data, test_data = train_test_split(data, train_size=train_size, test_size=test_size)

print(f"Training set size: {len(train_data)}")
print(f"Testing set size: {len(test_data)}")

这个例子会创建一个大小为120的训练集（80%的数据）和一个大小为30的测试集（剩余的20%）。如果你的实际数据不是列表，你需要根据实际情况调整数据结构。