# 定义全局变量 file_path = "" train_ratio = 0.8# 划分训练集和测试集 def split_train_test(): global file_path, train_ratio # 读取CSV文件 data = pd.read_csv(file_path) # 划分数据集 train, test = train_test_split(data, train_size=train_ratio) # 显示训练集和测试集大小 text_output.insert(tk.END, "训练集大小：{}\n".format(len(train))) text_output.insert(tk.END, "测试集大小：{}\n".format(len(test)))怎么样写代码可以是用户自由划分测试集与训练集

你可以修改 `split_train_test` 函数，让它接受一个参数 `test_ratio`，表示测试集占总数据集的比例。然后根据传入的 `test_ratio` 计算出 `train_ratio`，并使用它来划分训练集和测试集。以下是修改后的代码示例：

# 定义全局变量 file_path = "" 
test_ratio = 0.2 # 测试集占比
train_ratio = 1 - test_ratio # 训练集占比

# 划分训练集和测试集 
def split_train_test(test_ratio):
    global file_path, train_ratio
    # 读取CSV文件
    data = pd.read_csv(file_path)
    # 划分数据集
    train, test = train_test_split(data, test_size=test_ratio)
    # 显示训练集和测试集大小
    text_output.insert(tk.END, "训练集大小：{}\n".format(len(train)))
    text_output.insert(tk.END, "测试集大小：{}\n".format(len(test)))

然后在调用 `split_train_test` 函数时，传入你想要的测试集占比即可。例如，如果你想要测试集占总数据集的 30%，可以这样调用：

split_train_test(0.3)