Sklearn : train_test_split()函数的用法

一、train_test_split官方文档链接

二、参数介绍
① X ：（必需） 待划分的样本集
② y ：（非必需） 样本标签target（如果你只是想把数据简单的分为两部分，不涉及分类算法等需要标注数据标签的情况就无须设置）
③ train_size ： （非必需） int型或float型，整型表示划分后的数据个数；浮点型表示划分数据的比例。
④ test_size ：（非必需） 同上
⑤ random_state ：（非必需） int 类型，默认值为None。先笼统的认为是一个控制分裂过程随机性的一个参数。不用管内部实现过程。
⑥ shuffle ：（非必需） 默认为True。控制拆分数据前，原始数据集是否需要打乱再拆分。
⑦ stratify ：（非必需）

三、自己动手看一下效果
1. 自定义一个数据集：

import numpy as np

x = np.arange(1, 25).reshape(12, 2)
y = np.array([0, 1, 1, 0, 1, 0, 0, 1, 1, 0, 1, 0])

print("原始数据集：\n",x)
print("数据标签：\n",y)

输出如下：

原始数据集：
 [[ 1  2]
 [ 3  4]
 [ 5  6]
 [ 7  8]
 [ 9 10]
 [11 12]
 [13 14]
 [15 16]
 [17 18]
 [19 20]
 [21 22]
 [23 24]]
数据标签：
 [0 1 1 0 1 0 0 1 1 0 1 0]

2.先用最简单的执行方式，了解一下各个参数的作用
首先默认一切非必须参数为默认值：

from  sklearn.model_selection import train_test_split
x_train,x_test = train_test_split(x)
print("训练数据为：\n",x_train)
print("测试数据为：\n",x_test)

输出如下：

训练数据为：
 [[ 9 10]
 [13 14]
 [ 5  6]
 [11 12]
 [15 16]
 [21 22]
 [23 24]
 [ 7  8]
 [ 1  2]]
测试数据为：
 [[17 18]
 [19 20]
 [ 3  4]]

由于shuffle默认值为True，即原始数据在划分前做了打乱处理，因此分裂后的数据是乱序的。若此时重新执行当前代码，输出结果如下：

训练数据为：
 [[ 7  8]
 [23 24]
 [ 1  2]
 [ 3  4]
 [19 20]
 [15 16]
 [21 22]
 [17 18]
 [13 14]]
测试数据为：
 [[11 12]
 [ 5  6]
 [ 9 10]]

可以发现，输出变了，（emmm，大部分实验场景下，这种每次都变的输入并不利于后续的研究分析，应该避免，但是也不排除有些情况下，就是希望数据每次都不一样，OK，你自己判断一下。我不管。。。）。若要避免这种情况有两种解决方式，分别是设置shuffle和random_state，详情见3、4。

3. 设置shuffle
   设置shuffle为False，即在拆分数据前，不对原始数据集进行打乱，但是划分结果后的数据按原始数据的顺序排列。

x_train,x_test = train_test_split(x,shuffle=False)

输出结果如下：

训练数据为：
 [[ 1  2]
 [ 3  4]
 [ 5  6]
 [ 7  8]
 [ 9 10]
 [11 12]
 [13 14]
 [15 16]
 [17 18]]
测试数据为：
 [[19 20]
 [21 22]
 [23 24]]

4. 设置random_state
   若你仍希望拆分前对原始数据集进行打乱处理，又希望每次重复执行你的代码时，划分后的数据能够相同，此时就可以设置rrandom_state，至于设置为多少我还没有搞懂，根据经验在1到10随便设置选一个整数就OK，结果没有影响。

x_train,x_test = train_test_split(x,random_state=1)

重复执行两次上述代码，划分后的数据集两次相同，输出结果如下：

训练数据为：
 [[21 22]
 [ 3  4]
 [13 14]
 [ 1  2]
 [15 16]
 [23 24]
 [19 20]
 [17 18]
 [11 12]]
测试数据为：
 [[ 5  6]
 [ 7  8]
 [ 9 10]]

5. 设置stratify
   如果你的数据压根没有标签，就不用管这个参数；如果有标签，假设标签分别为0和1，表示正负样本，设置stratify就可以保证划分后的训练集和测试集中正负样本的比例近似相同。

x = np.arange(1, 25).reshape(12, 2)
y = np.array([0, 1, 1, 0, 1, 0, 0, 1, 1, 0, 1, 0])
x_train, x_test, y_train, y_test = train_test_split(x, y, stratify=y)

输出结果如下：

数据标签：
 [0 1 1 0 1 0 0 1 1 0 1 0]
训练数据为：
 [[21 22]
 [ 3  4]
 [ 7  8]
 [17 18]
 [15 16]
 [ 1  2]
 [ 9 10]
 [13 14]
 [11 12]] 
训练数据标签为：
 [1 1 0 1 1 0 1 0 0]  #（emmm这里样本总个数太少了，不明显，你可以自己试一下大样本的结果）正负样本比例4/5
测试数据为：
 [[23 24]
 [ 5  6]
 [19 20]] 
测试数据标签为：        #正负样本比例2/1
 [0 1 0]