Python机器学习：随机抽样函数sample()划分数据集

不用调包也能便捷地划分数据集，用随机抽样sample()函数两行代码可以轻松搞定。

#划分训练集
train_data = data.sample(frac = 0.8, random_state = 0)
#测试集
test_data = data.drop(train_data.index)

代码讲解：

frac 设置抽样的比例，这里的意思是抽取80%的数据作为训练集；

random_state 是随机种子，可以随便写一个数字，起到了每次划分数据集都是按一样的规则的作用，这样每次运行随机函数的时候才能复现同样的结果；

训练集用随机抽样的函数划分好之后，测试集剔除掉训练集里的数据就可以了，剔除用drop()函数；

drop()函数里面填要剔除的内容，这里把要剔除的数据集的行索引填上去，也就是数据集train_data的行索引index；

运行结果：

---

 drop()详细的语法如下：

可以发现删除行是index，删除列是columns

DataFrame.drop(labels=None,axis=0, index=None, columns=None, inplace=False)

把“index=”写上也是可以的：

#去掉了'index='相当于简写，把它加上去也是可以运行的
test_data = data.drop(index=train_data.index)