在python中使用sklearn.cross_validation中的ShuffleSplit()进行数据随机分配

在python中，可以使用scikit-learn库中的sklearn.model_selection.ShuffleSplit()函数来进行数据随机分配。ShuffleSplit()函数是一种交叉验证的方法，它会将数据集随机分为训练集和测试集，并且可能会多次重复此过程。

下面是一个使用ShuffleSplit()函数的例子：

from sklearn.model_selection import ShuffleSplit
import numpy as np

# 创建一个包含100个样本的数据集
X = np.arange(100)
y = np.arange(100)

# 创建一个ShuffleSplit对象
shuffle_split = ShuffleSplit(n_splits=5, test_size=0.2, random_state=0)

# 使用shuffle_split对象来生成随机的训练集和测试集索引
for train_index, test_index in shuffle_split.split(X):
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    
    # 在这里可以对训练集和测试集进行进一步的处理

    # 打印训练集和测试集大小
    print("Training set size:", len(X_train))
    print("Testing set size:", len(X_test))
    print()

在上面的例子中，我们首先创建了一个包含100个样本的数据集，然后创建了一个ShuffleSplit()对象shuffle_split。n_splits参数指定了随机分配的次数，test_size参数指定了每次训练集和测试集的比例，random_state参数用于设定随机数种子，以确保结果的可重复性。

然后，我们使用split()方法对数据集进行随机分配，该方法返回一个迭代器，它会在每次迭代时生成一个训练集和测试集的索引。对于每次迭代，我们从训练集和测试集索引中获取对应的样本，并可以对这些训练集和测试集进行进一步的处理（例如，训练模型、评估模型等）。

在上述示例中，我们打印出了每次训练集和测试集的大小，以演示如何使用ShuffleSplit()函数进行数据随机分配。你可以根据自己的需求来修改和扩展这个例子。