python代码不使用 Scikit-Learn 库来划分含索引的数据集，自定义划分测试集与训练集

可以使用 Python 中的 random 库来自定义划分测试集与训练集。

假设我们有一个数据集 data，包含了 m 个样本，每个样本有 n 个特征。我们需要将这个数据集按照一定比例划分为训练集和测试集，假设划分比例为 p，则测试集的大小为 m*p，训练集的大小为 m-m*p。

代码如下：

import random

# 假设数据集 data 中每个样本有 n 个特征
m = len(data)  # 数据集大小
p = 0.2  # 划分比例，假设为 0.2
test_size = int(m * p)  # 测试集大小
train_size = m - test_size  # 训练集大小

# 随机选取测试集的索引
test_index = random.sample(range(m), test_size)

# 将测试集和训练集分别存放到 test_set 和 train_set 中
test_set = []
train_set = []
for i in range(m):
    if i in test_index:
        test_set.append(data[i])
    else:
        train_set.append(data[i])

在上面的代码中，我们使用 random.sample(range(m), test_size) 随机选取测试集的索引。然后将测试集和训练集分别存放到 test_set 和 train_set 中。

需要注意的是，这种方法是随机划分数据集，并不能保证每个类别在训练集和测试集中的比例相同。如果需要保证每个类别的样本在训练集和测试集中的比例相同，可以使用 StratifiedKFold 或者 StratifiedShuffleSplit 等方法。