ValueError: could not convert string to float: 'hard memory trees ag

这个错误是由于在划分训练集和测试集时，数据集中包含非数值型的字符串列导致的。`train_test_split`函数默认会尝试将输入数据转换为浮点型，但是它无法将字符串转换为浮点型，所以会引发`ValueError`。

为了解决这个问题，你可以在划分数据集之前，先将非数值型的字符串列进行编码或者删除，只保留数值型的特征列。下面是一个示例：

import pandas as pd
from sklearn.model_selection import train_test_split

# 1. 读取CSV文件
data = pd.read_csv('data.csv')

# 2. 删除非数值型的列
data = data.drop(columns=['text_column'])

# 3. 分割数据集
train_data = pd.DataFrame()  # 创建空的训练集DataFrame
test_data = pd.DataFrame()  # 创建空的测试集DataFrame

# 针对每个类别分别进行数据分割
for category in data['label'].unique():
    category_data = data[data['label'] == category]  # 根据类别筛选数据
    
    # 划分训练集和测试集
    train, test = train_test_split(category_data, test_size=0.2, random_state=42)
    
    # 将划分的数据添加到训练集和测试集中
    train_data = pd.concat([train_data, train])
    test_data = pd.concat([test_data, test])

# 4. 保存训练集和测试集到CSV文件
train_data.to_csv('train_data.csv', index=False)
test_data.to_csv('test_data.csv', index=False)

在示例中，我们假设`data.csv`中包含一列非数值型的文本列`text_column`，我们使用`data.drop(columns=['text_column'])`删除了该列，只保留数值型的特征列。然后再进行数据分割和保存操作。

请注意，你需要将示例中的`data.csv`替换为你自己的数据集文件路径，并根据实际情况进行调整和优化。