已知训练集和测试集，用Python完成手写数字识别的代码

好的，手写数字识别可以使用机器学习中的分类算法来完成，比如支持向量机（SVM）或者随机森林（Random Forest）等。这里我们以Python的sklearn库为例，演示使用支持向量机算法来进行手写数字识别。

首先，我们需要准备手写数字的训练数据和测试数据。这里我们使用sklearn库自带的digits数据集，代码如下：

from sklearn.datasets import load_digits
digits = load_digits()
X = digits.data
y = digits.target

然后，我们将数据集划分为训练集和测试集，代码如下：

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

接下来，我们使用支持向量机算法进行训练和预测，代码如下：

from sklearn.svm import SVC
svm_clf = SVC(gamma=0.001, C=100., kernel='rbf')
svm_clf.fit(X_train, y_train)
y_pred = svm_clf.predict(X_test)

最后，我们可以使用sklearn库的metrics模块来评估模型的性能，代码如下：

from sklearn import metrics
print("Accuracy:", metrics.accuracy_score(y_test, y_pred))

完整代码如下：

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn import metrics

# 加载手写数字数据集
digits = load_digits()
X = digits.data
y = digits.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用支持向量机算法进行训练和预测
svm_clf = SVC(gamma=0.001, C=100., kernel='rbf')
svm_clf.fit(X_train, y_train)
y_pred = svm_clf.predict(X_test)

# 评估模型性能
print("Accuracy:", metrics.accuracy_score(y_test, y_pred))

注意，这里我们使用了rbf核函数，可以根据实际情况选择其他核函数。同时，参数gamma和C也可以根据实际情况进行调整。