Scikit-learn中train_test_split如何具体操作来划分训练集与测试集？

本文共计1008个文字，预计阅读时间需要5分钟。

基本原因通常是没有设置random_state，或者错误地将test_size当作绝对数量使用。它默认按比例划分示例，例如test_size=0.2表示取20%的样本，而不是固定的20%。若传入整数（如test_size=100），则仅当数据量超过100且你知道总量时才安全。

常见错误现象：ValueError: test_size must be less than the number of samples，就是传了比总样本还大的整数。

• 训练集/测试集划分前务必确认 X 和 y 行数一致，否则会静默错位
• 分类任务中，加 stratify=y 能保持各类别在两集中比例一致，不加可能某类在测试集里全没了
• shuffle=True 是默认值，但如果你的数据本身有序（比如按时间或类别排），不 shuffle 就会导致训练集全是前半段、测试集全是后半段，模型根本学不到泛化能力

train_test_split 返回的四个变量顺序不能乱

它固定返回 X_train, X_test, y_train, y_test 这四个，顺序不能靠名字猜，也不能只接两个变量想着“反正前两个是 X”。少接或错序会导致后续 fit() 报 ValueError: Expected 2D array, got 1D array instead 这类难以定位的错。

• 最稳妥写法：一次解包四变量，X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
• 如果只要 X 的划分（比如做无监督预处理），仍得写全四个变量，把后两个设为占位符：X_train, X_test, _, _ = train_test_split(X, y, test_size=0.2)
• 别用索引取，train_test_split(...)[0] 这种写法既难读又易错，尤其后续加参数改顺序时会崩

和 cross_val_split 混用时容易漏掉独立测试集

很多人用 cross_val_score 或 GridSearchCV 时，误以为交叉验证那几折已经“验过模型”，就直接拿原始数据去 fit-predict。其实 CV 只用于调参或评估，最终模型必须在**未参与 CV 的独立测试集**上跑一次，否则指标虚高。

• 正确流程：先用 train_test_split 切出一个干净的 X_test/y_test（不参与任何训练或 CV）；再对剩下的训练部分做 CV 调参；最后用最优参数在完整训练集上 fit()，再在那个预留的 X_test 上 predict()
• 如果跳过第一步，直接对全量数据 CV，等于让每条样本都在某折里当过测试集，没有真正“没见过”的数据，上线后效果必然下滑
• train_test_split 的 test_size 建议设为 0.2–0.3；CV 阶段再从训练集里分，两者不冲突

时间序列数据不能直接用 train_test_split

股票、日志、传感器数据这类有严格时间顺序的，用 train_test_split 随机打乱会泄露未来信息。模型看到“明天”的特征去预测“今天”，指标再好也没意义。

• 该用 TimeSeriesSplit，它按时间先后切，保证每折的训练集都在测试集之前
• 或者手动切：比如前 80% 当训练，后 20% 当测试，且不 shuffle —— 但必须显式写 shuffle=False，因为 train_test_split 默认是 True
• 哪怕只是带时间戳的表格数据，只要业务逻辑依赖时序（比如用户行为分析），就得按时间切，不能图省事用随机切

实际用的时候，最容易被忽略的是 stratify 和 shuffle 这两个开关——它们默认值看似合理，但在特定场景下恰恰是 bug 温床。