### Python 实现从列表中随机抽取 50% 样本作为训练数据 以下是基于 `numpy` 的方法来实现从列表中随机抽取 50% 样本作为训练数据的代码： ```python import numpy as np def split_train_test(data_list): # 获取数据长度 num_samples = len(data_list) # 计算测试集大小（50%） test_size = int(num_samples * 0.5) # 复制原始索引并打乱顺序 indices = list(range(num_samples)) np.random.shuffle(indices) # 划分训练集和测试集 train_indices = sorted(indices[test_size:]) test_indices = sorted(indices[:test_size]) # 提取对应的数据子集 train_set = [data_list[i] for i in train_indices] test_set = [data_list[i] for i in test_indices] return train_set, test_set # 测试代码 if __name__ == "__main__": sample_list = list(range(1, 21)) # 原始列表 [1, 2, ..., 20] train_data, test_data = split_train_test(sample_list) print("Original List:", sample_list) print("Train Set:", train_data) print("Test Set:", test_data) ``` #### 方法说明 上述代码通过以下方式实现了从列表中随机抽取 50% 样本的功能[^2]: - 使用 `np.random.shuffle()` 打乱原始数据的索引，从而确保随机性。 - 将索引划分为两部分：前 50% 用于测试集，剩余 50% 用于训练集。 如果需要更灵活的方式划分数据集，可以使用 `sklearn.model_selection.train_test_split` 函数。该函数允许指定测试集比例以及随机种子以保证结果可重复[^5]: ```python from sklearn.model_selection import train_test_split def split_with_sklearn(data_list, test_size=0.5, random_state=None): # 使用 train_test_split 进行分割 train_set, test_set = train_test_split( data_list, test_size=test_size, random_state=random_state ) return train_set.tolist(), test_set.tolist() # 测试代码 if __name__ == "__main__": sample_list = list(range(1, 21)) # 原始列表 [1, 2, ..., 20] train_data, test_data = split_with_sklearn(sample_list, test_size=0.5, random_state=42) print("Original List:", sample_list) print("Train Set (Sklearn):", train_data) print("Test Set (Sklearn):", test_data) ``` 此方法更加简洁，并支持设置随机状态以便于调试和验证实验结果的一致性。 ---