python集合划分问题

### 如何在Python中实现集合划分

为了有效地处理数据并构建机器学习模型，如决策树或随机森林，在预处理阶段通常需要对数据集进行合理的划分。对于给定的数据集，可以采用多种方法来创建训练集和测试集或其他类型的子集。

一种常见的做法是利用 `sklearn.model_selection` 模块中的 `train_test_split()` 函数来进行简单的分割操作[^1]：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载鸢尾花数据集作为例子
data = load_iris()
X, y = data.data, data.target

# 将数据划分为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)

print(f"原始数据大小: {len(X)}")
print(f"训练集大小: {len(X_train)}")
print(f"测试集大小: {len(X_test)}")

如果目标是在不借助外部库的情况下手动完成这一过程，则可以通过如下方式实现基本功能：

import numpy as np

def custom_split(dataset, labels, ratio=0.7):
    """
    手动按照指定比例拆分数据集
    
    参数:
        dataset (list or array): 数据样本列表
        labels (list or array): 对应标签列表
        ratio (float): 训练集所占的比例，默认为0.7
        
    返回值:
        tuple: 包含四个元素元组 (training_set, testing_set, training_labels, testing_labels)
    """

    assert len(dataset) == len(labels), "数据长度与标签数量不符"
    
    indices = list(range(len(dataset)))
    split_point = int(ratio * len(indices))
    
    # 使用np.random.shuffle打乱索引顺序
    np.random.seed(42)  # 设置种子以便结果可重复
    np.random.shuffle(indices)
    
    train_idx, test_idx = indices[:split_point], indices[split_point:]
    
    return (
        [dataset[i] for i in train_idx],
        [dataset[j] for j in test_idx],
        [labels[k] for k in train_idx],
        [labels[l] for l in test_idx]
    )

# 测试自定义函数
custom_X_train, custom_X_test, custom_y_train, custom_y_test = custom_split(list(X), list(y))

print(f"\n通过自定义函数得到的结果:")
print(f"训练集大小: {len(custom_X_train)}")
print(f"测试集大小: {len(custom_X_test)}")

上述两种方法都可以很好地满足大多数情况下对数据集进行简单二分的需求。然而，当涉及到更复杂的场景时——例如交叉验证或多层嵌套分区——可能还需要探索其他高级技术。