python将数据集的训练集和测试集划分为9：1

可以使用sklearn库中的train_test_split函数来实现将数据集划分为训练集和测试集。具体步骤如下：

1. 导入train_test_split函数和数据集。

from sklearn.model_selection import train_test_split
import pandas as pd

df = pd.read_csv('data.csv')

2. 将数据集划分为训练集和测试集。可以通过设置test_size参数来控制测试集的比例，一般习惯将测试集占整个数据集的10%。

X_train, X_test, y_train, y_test = train_test_split(df.drop('label', axis=1), df['label'], test_size=0.1, random_state=42)

其中，df.drop('label', axis=1)表示将数据集中的标签列去掉，X_train和X_test为训练集和测试集的特征集，y_train和y_test为训练集和测试集的标签集，random_state参数用来控制每次划分的结果相同。

3. 最后就可以使用得到的训练集和测试集进行模型的训练和测试了。

相关问题

python如何将数据集划分为训练集和测试集

在Python中，可以使用Scikit-learn库中的train_test_split函数来将数据集划分为训练集和测试集。该函数的用法如下：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

其中，X和y分别为特征和标签数据。test_size参数指定测试集的比例，random_state参数用于设定随机种子，以确保每次运行时划分结果相同。划分后，训练集的特征数据存储在X_train中，训练集的标签数据存储在y_train中，测试集的特征数据存储在X_test中，测试集的标签数据存储在y_test中。

划分训练集和测试集python代码实现

在Python中，我们可以使用sklearn库中的train_test_split函数来划分训练集和测试集。具体的实现代码如下所示：

from sklearn.model_selection import train_test_split

# X为特征数据，y为标签数据，test_size为测试集占比
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

其中，X为特征数据，y为标签数据，test_size表示测试集占总数据集的比例，random_state为随机数种子，用于保证每次划分的结果一致。划分后，我们可以使用X_train和y_train来训练模型，使用X_test和y_test来测试模型性能。