将一个数据集划分为测试集和训练集的代码

在机器学习中，将数据集划分为训练集和测试集是一个基本步骤，通常使用 Python 的 scikit-learn 库来完成。下面是一个简单的例子，假设你已经有了一个 pandas DataFrame 数据集 `df`，并且你想按照 80% 用于训练，20% 用于测试的比例划分：

import pandas as pd
from sklearn.model_selection import train_test_split

# 假设 df 是你的数据集
df = pd.read_csv('your_dataset.csv')  # 用实际文件路径替换 'your_dataset.csv'

# 划分数据集
X = df.drop('target_column', axis=1)  # X 是特征，'target_column' 是你要预测的目标列
y = df['target_column']  # y 是目标变量

# 这里使用 StratifiedShuffleSplit 保持类别平衡，如果不希望这样可以去掉参数
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)

# X_train 和 y_train 用于训练模型，X_test 和 y_test 用于评估模型性能

在这个例子中，`train_test_split` 函数将数据划分为训练集和测试集，`test_size=0.2` 指定了测试集占总数据的20%，`random_state` 是为了保证结果的可复现性。如果你的数据集类别分布不均匀，可以使用 `stratify` 参数来保持每个类别的比例在划分后的两个集合中相同。

相关问题：
1. 为什么要将数据集划分为训练集和测试集？
2. 除了 `train_test_split`，scikit-learn 中还有哪些数据划分方法？
3. 在进行模型评估时，如何确保测试集的独立性？