sklearn那个函数可以实现测试集和训练集分层臭氧

sklearn中的`train_test_split`函数可以用于将数据分割成训练集和测试集。然而，分层采样是针对分类问题的，而不是针对特定的目标变量（如臭氧）。

如果你想要在分割数据时保持类别分布的平衡，可以使用`StratifiedShuffleSplit`函数。这个函数会根据目标变量的类别比例来进行分层采样，以确保训练集和测试集中的类别分布相似。

下面是一个使用`StratifiedShuffleSplit`来分层采样数据集的示例：

from sklearn.model_selection import StratifiedShuffleSplit

# 假设你有一个包含特征和目标变量的数据集 X 和 y
split = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=42)

for train_index, test_index in split.split(X, y):
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]

在上面的代码中，我们通过`StratifiedShuffleSplit`指定了分层采样的参数，包括分割数据集的份数（`n_splits`）、测试集的比例（`test_size`）和随机种子（`random_state`）。然后，我们使用`split.split(X, y)`生成了一组分层采样的索引，最后根据这些索引将数据集分成训练集和测试集。

请注意，上述示例仅适用于二分类问题。如果你的问题是多分类问题，你可能需要使用`StratifiedShuffleSplit`的多类别版本`StratifiedShuffleSplitCV`或其他适当的方法来实现分层采样。