样本划分的python代码

在Python中，样本划分通常用于数据预处理阶段，比如训练集、验证集和测试集的划分。我们可以使用`sklearn`库中的`train_test_split`函数来进行这个操作。以下是一个简单的例子：

from sklearn.model_selection import train_test_split
import pandas as pd

# 假设df是你存储数据的DataFrame或pandas DataFrame
data = pd.read_csv('your_dataset.csv')  # 替换为实际文件路径

# 定义特征（X）和目标变量（y）
X = data.drop('target_column', axis=1)  # 替换 'target_column' 为你的目标列名
y = data['target_column']

# 设定随机种子以便可复现结果
random_state = 42
# 划分数据集，假设test_size=0.2表示20%的数据作为测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=random_state)

# 另外，如果你想进一步将训练集划分为训练集和验证集，可以用交叉验证的方法
from sklearn.model_selection import KFold
kf = KFold(n_splits=5, shuffle=True, random_state=random_state)
for train_index, val_index in kf.split(X_train):
    X_train_fold, X_val_fold = X_train.iloc[train_index], X_train.iloc[val_index]
    y_train_fold, y_val_fold = y_train.iloc[train_index], y_train.iloc[val_index]

这里我们先用`train_test_split`函数对整个数据集进行了70%的训练集和30%的测试集划分，然后展示了如何使用K-Fold交叉验证对训练集再做划分。