python读取一个由许多csv文件组成的文件夹分别作为训练集和测试集，写代码

要读取一个由许多CSV文件组成的文件夹，并将它们分别作为训练集和测试集，可以使用Python的内置模块os和random来处理文件和随机化数据。下面是一个示例代码，展示了如何实现这个过程：

import os
import random
import csv

def read_csv_file(file_path):
    dataset = []
    with open(file_path, 'r') as file:
        csv_reader = csv.reader(file)
        for row in csv_reader:
            dataset.append(row)
    return dataset

def split_dataset(folder_path, train_ratio):
    train_dataset = []
    test_dataset = []
    
    file_list = os.listdir(folder_path)
    random.shuffle(file_list)
    
    train_size = int(len(file_list) * train_ratio)
    
    for i, file_name in enumerate(file_list):
        file_path = os.path.join(folder_path, file_name)
        
        if i < train_size:
            train_data = read_csv_file(file_path)
            train_dataset.extend(train_data)
        else:
            test_data = read_csv_file(file_path)
            test_dataset.extend(test_data)
    
    return train_dataset, test_dataset

# 读取文件夹中的CSV文件并拆分为训练集和测试集
folder_path = 'dataset_folder'  # 替换成你的文件夹路径
train_ratio = 0.8  # 训练集所占比例

train_set, test_set = split_dataset(folder_path, train_ratio)

# 打印训练集
print("Train Set:")
for row in train_set:
    print(row)

# 打印测试集
print("Test Set:")
for row in test_set:
    print(row)

在这个示例中，我们首先定义了一个`read_csv_file`函数，用于读取单个CSV文件并返回其数据集。然后，我们定义了一个`split_dataset`函数，它接受文件夹路径和训练集所占比例作为参数，并返回拆分后的训练集和测试集。

在`split_dataset`函数内部，我们使用`os.listdir`函数获取文件夹中的所有文件名，并使用`random.shuffle`函数对文件名进行随机化处理。然后，我们根据训练集所占比例将文件名列表分为训练集和测试集两部分。

接下来，我们遍历文件列表，根据文件名构建文件路径，并使用`read_csv_file`函数读取CSV文件的内容。如果文件属于训练集部分，则将其数据添加到训练集中；否则，将其数据添加到测试集中。

最后，我们调用`split_dataset`函数，将文件夹路径和训练集所占比例作为参数，并获取拆分后的训练集和测试集。你可以根据需要进一步处理这些数据集，例如进行模型训练或测试。请确保将`folder_path`变量替换为你实际的文件夹路径，并设置适当的训练集比例。