Python使用NumPy实现可复现的数据集切分

季宁

发布时间：2026-10-13| 5人浏览过

原创

本文介绍在Python中如何使用NumPy将数据集随机切分为训练集和测试集。针对随机切分结果不固定的问题，通过调用np.random.seed(43)设置随机种子，确保每次运行代码时生成的索引序列一致，从而实现可复现的数据划分效果。

在数据处理流程中，通常需要将原始数据集划分为训练集和测试集，以下记录具体的切分实现代码。

'''
data:数据集
test_ratio:测试机占比
如果data为numpy.numpy.ndarray直接使用此代码
如果data为pandas.DatFrame类型则
  return data[train_indices],data[test_indices]
修改为
  return data.iloc[train_indices],data.iloc[test_indices]
'''
def split_train(data,test_ratio):
  shuffled_indices=np.random.permutation(len(data))
  test_set_size=int(len(data)*test_ratio)
  test_indices =shuffled_indices[:test_set_size]
  train_indices=shuffled_indices[test_set_size:]
  return data[train_indices],data[test_indices]

基础测试代码如下：

import numpy as np
import pandas as pd
data=np.random.randint(100,size=[25,4])
print(data)

运行结果如下：

从输出结果可见，原始数据集已按5:1的比例被随机分割为两部分。然而，该方法存在一个显著缺陷：每次调用该函数对同一数据集进行切分时，生成的结果均不相同。为解决此问题，需在执行np.random.permutation(len(data))之前，先调用np.random.seed(int)函数以固定随机种子，从而保证每次切分结果的一致性。

基于上述分析，将原函数优化修改为：

def split_train(data,test_ratio):
  np.random.seed(43)
  shuffled_indices=np.random.permutation(len(data))
  test_set_size=int(len(data)*test_ratio)
  test_indices =shuffled_indices[:test_set_size]
  train_indices=shuffled_indices[test_set_size:]
  return data[train_indices],data[test_indices]

在此函数中，当np.random.seed(43)的参数为相同的整数时，后续生成的随机数序列将保持一致。

以上关于Python数据集切分的实例分享完毕，旨在提供参考，欢迎支持。