當(dāng)我們拿到數(shù)據(jù)集時(shí)，首先需要對(duì)數(shù)據(jù)集進(jìn)行劃分訓(xùn)練集和測試集，sklearn提供了相應(yīng)的函數(shù)供我們使用

一、講解

快速隨機(jī)劃分?jǐn)?shù)據(jù)集，可自定義比例進(jìn)行劃分訓(xùn)練集和測試集

二、官網(wǎng)API

官網(wǎng)API

sklearn.model_selection.train_test_split(*arrays, test_size=None, train_size=None, random_state=None, shuffle=True, stratify=None)

導(dǎo)包：from sklearn.model_selection import train_test_split

為了方便說明，這里以一個(gè)具體的案例進(jìn)行分析
織物起球等級(jí)評(píng)定，已知織物起球個(gè)數(shù)N、織物起球總面積S、織物起球最大面積Max_s、織物起球平均面積Aver_s、對(duì)比度C、光學(xué)體積V這六個(gè)特征參數(shù)來確定最終的織物起球等級(jí)Grade

說白了：六個(gè)特征（N、S、Max_s、Aver_s、C、V），來確定最終的等級(jí)（Grade）
數(shù)據(jù)集可以自己簡單整個(gè)，csv格式即可，我這里使用的是6個(gè)自變量X和1個(gè)因變量Y

參數(shù)：

①*arrays

傳入因變量和自變量
這里的因變量為六個(gè)特征（N、S、Max_s、Aver_s、C、V）
自變量為最終評(píng)定的等級(jí)（Grade）

具體官網(wǎng)詳情如下：

②test_size

若給該參數(shù)傳入float浮點(diǎn)數(shù)，則范圍為[0.0,1.0]，表示測試集的比例
若給該參數(shù)傳入int整型數(shù)，則表示測試集樣本的具體數(shù)量
若為None，則設(shè)置為train_size參數(shù)的補(bǔ)數(shù)形式

若該test_size參數(shù)和train_size參數(shù)的值均為None，則該test_size設(shè)置為0.25，按float浮點(diǎn)型對(duì)待

具體官網(wǎng)詳情如下：

③train_size

若給該參數(shù)傳入float浮點(diǎn)數(shù)，則范圍為[0.0,1.0]，表示訓(xùn)練集的比例
若給該參數(shù)傳入int整型數(shù)，則表示訓(xùn)練集樣本的具體數(shù)量
若為None，則設(shè)置為test_size參數(shù)的補(bǔ)數(shù)形式
該參數(shù)跟test_size類似

具體官網(wǎng)詳情如下：

④random_state

隨機(jī)種子random_state，如果要是為了對(duì)比，需要控制變量的話，這里的隨機(jī)種子最好設(shè)置為同一個(gè)整型數(shù)

具體官網(wǎng)詳情如下：

⑤shuffle

是否在分割前對(duì)數(shù)據(jù)進(jìn)行洗牌
如果 shuffle=False 則 stratify 必須為 None

具體官網(wǎng)詳情如下：

⑥stratify

如果不是 “None”，數(shù)據(jù)將以分層方式分割，并以此作為類別標(biāo)簽

具體官網(wǎng)詳情如下：

返回值：

splitting

返回一個(gè)包含訓(xùn)練和測試分割之后的列表

具體官網(wǎng)詳情如下：

三、項(xiàng)目實(shí)戰(zhàn)

①導(dǎo)包

若導(dǎo)入過程報(bào)錯(cuò)，pip安裝即可

import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.model_selection import train_test_split

②加載數(shù)據(jù)集

數(shù)據(jù)集可以自己簡單整個(gè)，csv格式即可，我這里使用的是6個(gè)自變量X和1個(gè)因變量Y

通過pandas讀入文本數(shù)據(jù)集，展示前五行數(shù)據(jù)

fiber = pd.read_csv("./fiber.csv")
fiber.head(5) #展示下頭5條數(shù)據(jù)信息

③劃分?jǐn)?shù)據(jù)集

前六列是自變量X，最后一列是因變量Y

參數(shù)：
test_size：測試集數(shù)據(jù)所占比例，這里是0.25，表示測試集占總數(shù)據(jù)集的25%
train_size：訓(xùn)練集數(shù)據(jù)所占比例，這里是0.75，表示訓(xùn)練集占總數(shù)據(jù)集的75%
random_state：隨機(jī)種子，為了控制變量
shuffle：是否將數(shù)據(jù)進(jìn)行打亂
因?yàn)槲疫@里的數(shù)據(jù)集共48個(gè)，訓(xùn)練集0.75，測試集0.25，即訓(xùn)練集36個(gè)，測試集12個(gè)

返回值：
依此返回四個(gè)list，分別為訓(xùn)練集的自變量、測試集的自變量、訓(xùn)練集的因變量和測試集的因變量，分別通過X_train, X_test, y_train, y_test進(jìn)行接收

X = fiber.drop(['Grade'], axis=1)
Y = fiber['Grade']X_train, X_test, y_train, y_test = train_test_split(X,Y,train_size=0.75,test_size=0.25,random_state=42,shuffle=True)print(X_train.shape) #(36,6)
print(y_train.shape) #(36,)
print(X_test.shape) #(12,6)
print(y_test.shape) #(12,)

根據(jù)返回的四個(gè)list的shape可以看到數(shù)據(jù)集已經(jīng)成功按自定義需求劃分

⑤完整代碼

import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.model_selection import train_test_splitfiber = pd.read_csv("./fiber.csv")
fiber.head(5) #展示下頭5條數(shù)據(jù)信息X = fiber.drop(['Grade'], axis=1)
Y = fiber['Grade']X_train, X_test, y_train, y_test = train_test_split(X,Y,train_size=0.75,test_size=0.25,random_state=42,shuffle=True)print(X_train.shape) #(36,6)
print(y_train.shape) #(36,)
print(X_test.shape) #(12,6)
print(y_test.shape) #(12,)