### 生成适用于 Python 3.13 的划分训练集和测试集的代码 在 Python 中，使用 `scikit-learn` 提供的 `train_test_split` 是一种常见且高效的方式来划分数据集。该方法支持 NumPy 数组、Pandas DataFrame 等多种输入格式，并能够确保训练集与测试集之间的分布一致性。以下是一段兼容 Python 3.13 的示例代码，用于将特征和目标变量划分为训练集和测试集： ```python from sklearn.model_selection import train_test_split import numpy as np # 示例数据 X = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]]) y = np.array([0, 1, 0, 1, 0]) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) print("训练特征:", X_train) print("测试特征:", X_test) print("训练标签:", y_train) print("测试标签:", y_test) ``` 此方法通过设置 `test_size` 参数控制测试集大小，`random_state` 用于保证每次划分结果一致[^1]。 --- ### 使用 Pandas 进行数据划分 若数据存储在 Pandas DataFrame 中，同样可以使用 `train_test_split` 方法进行划分。以下是一个基于 Pandas 的示例： ```python import pandas as pd from sklearn.model_selection import train_test_split # 创建一个示例 DataFrame data = pd.DataFrame({ 'feature1': [1, 2, 3, 4, 5], 'feature2': [10, 20, 30, 40, 50], 'target': [0, 1, 0, 1, 0] }) # 划分特征与目标变量 X = data[['feature1', 'feature2']] y = data['target'] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) print("训练特征:\n", X_train) print("测试特征:\n", X_test) print("训练标签:\n", y_train) print("测试标签:\n", y_test) ``` 该方式适用于结构化数据集，尤其在处理表格型数据时非常便捷[^1]。 --- ### 自定义函数实现划分逻辑 如果希望不依赖外部库手动实现划分逻辑，也可以编写自定义函数。以下是一个基于 NumPy 实现的简单版本： ```python import numpy as np def custom_train_test_split(X, y, test_size=0.2, random_state=None): if random_state is not None: np.random.seed(random_state) indices = np.random.permutation(len(y)) test_sample = int(len(y) * test_size) test_indices = indices[:test_sample] train_indices = indices[test_sample:] return X[train_indices], X[test_indices], y[train_indices], y[test_indices] # 示例数据 X = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]]) y = np.array([0, 1, 0, 1, 0]) # 调用自定义函数 X_train, X_test, y_train, y_test = custom_train_test_split(X, y, test_size=0.2, random_state=42) print("训练特征:", X_train) print("测试特征:", X_test) print("训练标签:", y_train) print("测试标签:", y_test) ``` 此实现方式有助于理解数据划分的基本原理，并可在无第三方库环境中运行[^1]。 --- ###