4个numpy知识点实现K折验证数据集划分

K折数据集验证是机器学习中的一个常用的方法，原理简单的说就是把一个大的数据集切成k个小部分，然后每次迭代使用其中的1个小部分作为测试集，这样可以实现一个数据集的多次使用，解决机器学习中的样本问题。在sklearn这个库中，已经封装好了cross_val_score这个库可以直接调用。不过我们我们需要自力更生，采用numpy（简称np）来实现对数据集的k折划分。实现这个功能需要的知识点如下：

1. 使用np的arange方法生成数组；
2. 使用ndarray的reshape方法来重塑数组；
3. 使用ndarray的切片方法；
4. 使用np的vstack方法来拼接两个ndarray；

import numpy as np
sample_num = 9
segment_num = 4
validata_num = 2

data_set = np.arange(sample_num*segment_num).reshape(sample_num,segment_num)
iteration_times = sample_num//validata_num

for i in range(iteration_times):
	k=i+1
	validata_start = i*validata_num
	validata_end   = k*validata_num
	vali_dataset = data_set[validata_start:validata_end]
	train_dataset = np.vstack([data_set[:validata_start],data_set[validata_end:]])
	print(f'This is Fold No.{k}')
	print("Validation dataset is:")
	print(vali_dataset)
	print("Training dataset is:")
	print(train_dataset)