请将导入的数据集分为训练集与测试集，使用train_test_split()方法

在Python的机器学习库sklearn中，`train_test_split()`是一个非常常用的功能，用于将数据集划分为训练集和测试集。这个函数可以帮助我们在模型训练过程中评估模型的泛化能力。以下是使用这个方法的一般步骤：

1. 首先，你需要导入所需的库，如`sklearn.model_selection`，它包含了`train_test_split`函数。

from sklearn.model_selection import train_test_split

2. 然后，假设你已经有了一个包含特征和目标变量的数据框或数组（例如pandas DataFrame或numpy数组），通常命名为X和y。

import pandas as pd
# 或者
import numpy as np

data = pd.read_csv('your_dataset.csv') # 如果是CSV文件
X = data.drop('target_column', axis=1) # 特征列
y = data['target_column'] # 目标变量列

3. 使用`train_test_split()`函数对数据进行划分，通常比例设为70%的训练集和30%的测试集。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

这里的`test_size`参数指定了测试集的比例，`random_state`是为了保证结果的可重复性，如果你希望每次运行都得到相同的划分，可以设置这个值。

4. 现在，`X_train`和`y_train`就是你的训练集，`X_test`和`y_test`则是测试集。