自助法划分数据集代码

好的，以下是一个示例的自助法划分数据集的 Python 代码：

import random

def bootstrap_split(dataset, split_ratio):
    train_set = []
    test_set = []
    n_train = int(len(dataset) * split_ratio)
    for i in range(n_train):
        index = random.randrange(len(dataset))
        train_set.append(dataset[index])
    for j in range(len(dataset)):
        if j not in range(n_train):
            test_set.append(dataset[j])
    return train_set, test_set

其中，`dataset` 是原始的数据集，`split_ratio` 是训练集所占比例。函数中，首先根据比例计算出训练集的样本数，然后使用 `random.randrange()` 函数随机选取样本加入到训练集中，直到训练集的样本数达到要求。最后，将剩余的样本加入到测试集中，并返回训练集和测试集。

使用示例：

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

输出：

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

注意，由于自助法是有放回地随机选取样本，所以同一个样本可能会被选取多次，也可能不被选取。因此，训练集和测试集之间可能有重叠的样本。