我们先生成下面的训练数据。
import numpy as np
from sklearn.model_selection import train_test_split
#生成训练数据
x=np.linspace(1,8,8).reshape(4,2)
#生成标签
label=list([1,0,1,1])
#打印看看
print(x)
print(label)
结果如下：
原始训练数据x,原始训练数据x对应的的标签label。
我们开始划分训练数据，首先指定shuffle=True（这表示需要随机的意思），然后配合random_state来指定随机的状态，其规定为一个整数，比如2，我们下面以random_state=2为例。
#对半0.5划分训练数据。
trainx,testx,lable1,label2=train_test_split(x,y,test_size=0.5,shuffle=True,random_state=2)
#打印看看
print(trainx)
print(testx)
结果如下：
1.划分数据之后的trainx,testx。
我们再次运行上述代码，看一下打印的结果是否会发生变化。
结果如下：
2.重新运行之后的trainx,testx。
我们发现结果和上面是一样的，也就是说，对于同一批数据，只要random_state设置地一样，那么其结果也是一样的，即结果可以被复现。
什么是结果可以被复现？具体点。
结果可以被复现，意思是说：
A有一批数据D，他先做了一个随机划分（比如8：2的比例划分），得到了训练数据（8）和测试数据（2）。做了一个实验，结果发现准确率非常高。
B听了之后也要试试看，拿到A的原始数据D后，他也在他的电脑上按照（8：2）的比例划分了原始数据，但实验后发现准确率非常低。
怎么回事？
因为A没有把随机状态交给B，所以A和B虽然原始数据D是一样的，但是随机划分后的数据就已经不一样了。自然很有可能得到的结果千差万别。
现在B想要复现A的实验结果，有两个办法，一个就是叫A说一下他用的随机状态random_state；第二个就是让A将其随机划分之后训练数据和测试数据传给B。显然，第一种方法好。
补充
如果要纯随机怎么办，即每次运行都不一样？方法是不设置参数random_state，其相当于random_state=None（默认None）。
x1,x2,y1,y2=train_test_split(x,y,test_size=0.5,shuffle=True)
print(x1)
print(x2)
运行两次，结果如下：
第一次：
第二次：
