定义一个函数使其能够将一个数据集分割为训练集和测试集，并举例演示

在Python中，我们可以使用`sklearn.model_selection`模块中的`train_test_split`函数来自动生成训练集和测试集。这个函数非常实用，可以帮助我们在数据集中按照给定的比例划分样本。

以下是一个简单的例子，假设我们有一个包含特征和标签的数据集（例如，鸢尾花数据集）：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import pandas as pd

# 加载示例数据集
iris = load_iris()
X = iris.data  # 特征
y = iris.target  # 标签

# 将数据分为70%的训练集和30%的测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)  # 设置random_state确保结果可重复

# 如果你想用pandas DataFrame处理数据，可以这样做
if isinstance(X, pd.DataFrame):
    X_train = pd.DataFrame(X_train)
    X_test = pd.DataFrame(X_test)

# 现在你可以分别对这些数据进行模型训练和评估

在这个例子中，`test_size=0.3`表示保留30%的数据作为测试集，剩下的70%用于训练。`random_state`参数用于设置随机数种子，保证每次运行得到的结果一致。

如果你已经有了数据集并想自定义划分比例或有其他特定需求，只需调整相应的参数即可。