在机器学习或者深度学习中，我们常常碰到一个问题是数据集的切分。比如在一个比赛中，举办方给我们的只是一个带标注的训练集和不带标注的测试集。其中训练集是用于训练，而测试集用于已训练模型上跑出一个结果，然后提交，然后举办方验证结果给出一个分数。但是我们在训练过程中，可能会出现过拟合等问题，会面临着算法和模型的选择，此时，验证集就显得很重要。通常，如果数据量充足，我们会从训练集中划分出一定比例的数据来作为验证集。
每次划分数据集都手动写一个脚本，重复性太高，因此将此简单的脚本放到自己的博客。代码如下：
1 import random 2 3 def split(full_list,shuffle=False,ratio=0.2): 4 n_total = len(full_list) 5 offset = int(n_total * ratio) 6 if n_total==0 or offset<1: 7 return [],full_list 8 if shuffle: 9 random.shuffle(full_list) 10 sublist_1 = full_list[:offset] 11 sublist_2 = full_list[offset:] 12 return sublist_1,sublist_2 13 14 15 if __name__ == "__main__": 16 li = range(5) 17 sublist_1,sublist_2 = split(li,shuffle=True,ratio=0.2) 18 19 print sublist_1,len(sublist_1) 20 print sublist_2,len(sublist_2)
其中，main为测试代码。假如训练集给出的是一个文件，我们先将文件读到列表中，然后再调用split。