划分测试集和训练集python代码

以下是一个简单的 Python 代码示例，用于将数据集划分为训练集和测试集：

import random

def split_dataset(dataset, split_ratio):
    train_size = int(len(dataset) * split_ratio)
    train_set = []
    test_set = list(dataset)
    while len(train_set) < train_size:
        index = random.randrange(len(test_set))
        train_set.append(test_set.pop(index))
    return train_set, test_set

# 使用示例
dataset = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
split_ratio = 0.7
train_set, test_set = split_dataset(dataset, split_ratio)
print('训练集:', train_set)
print('测试集:', test_set)

这段代码会将 `dataset` 划分为训练集和测试集，其中 `split_ratio` 参数指定了训练集的比例。在示例中，我们将训练集占总数据集的 70%。

相关问题

划分训练集和测试集的python代码

以下是使用sklearn库中train_test_split方法划分训练集和测试集的Python代码：

from sklearn.model_selection import train_test_split

#加载数据集，X为数据特征，y为数据标签
X, y = load_data()

#划分数据集，test_size为测试集占总数据的比例
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

其中，`X`为数据的特征，`y`为数据的标签，`test_size`表示测试集占总数据集的比例（例如`test_size=0.2`表示使用20%的数据作为测试集），`random_state`用于设定随机种子，保证每次随机划分的结果一致。 `train_test_split`方法会返回4个数组：`X_train`为训练集的特征数据，`y_train`为训练集的标签数据，`X_test`为测试集的特征数据，`y_test`为训练集的标签数据。

python划分测试集和训练集的代码

以下是一个简单的 Python 代码示例，用于将数据集随机拆分为训练集和测试集：

import random

def split_dataset(dataset, split_ratio):
    train_size = int(len(dataset) * split_ratio)
    train_set = []
    test_set = list(dataset)
    while len(train_set) < train_size:
        index = random.randrange(len(test_set))
        train_set.append(test_set.pop(index))
    return [train_set, test_set]

其中，`dataset` 是一个列表，包含了所有的数据样本，`split_ratio` 表示训练集占整个数据集的比例。函数会将数据集随机拆分为训练集和测试集，并返回一个列表，其中第一个元素是训练集，第二个元素是测试集。可以使用以下代码将数据集拆分为训练集和测试集：

dataset = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
split_ratio = 0.7
train_set, test_set = split_dataset(dataset, split_ratio)
print(train_set)
print(test_set)

输出结果类似于：

[2, 8, 6, 10, 5, 3, 1]
[4, 7, 9]

这表示训练集包含了 70% 的数据样本，测试集包含了 30% 的数据样本。