from sklearn import model_selection
name_train, name_val, labels_train, labels_val = model_selection.train_test_split(names, labels, test_size=val_size, shuffle=True)
return name_train, name_val, labels_train, labels_val将 name 和 labels 均划分，测试集所占的比例为“val_size=0.05”，返回 name 和 labels的训练集和测试集（以list形式返回）
1.完整用法
sklearn.model_selection.train_test_split(*arrays, test_size=None, train_size=None, random_state=None, shuffle=True, stratify=None)分裂数组或矩阵为随机的训练和测试子集
是一个快速实用的工具，能够包装输入验证、next(ShuffleSplit().split(X, y))以及应用，然后将数据输入到单个调用中，以便在一行中拆分（也可以选择子采样）数据。
2.各参数含义
- *arrays（必要的）：具有相同长度/形状的可转位序列。允许的输入是列表、numpy数组、scipy稀疏矩阵或数据帧。
- test_size：数据类型为float或int, 默认值为None。如果是float，则应介于0.0和1.0之间，表示测试集在数据集中占的比例。如果为int，则表示测试样本的绝对数量。如果没有，则该值设置为序列大小的补码。如果train_size也为None，则将其设置为0.25。
- train_size：数据类型为float或int, 默认值为None。如果是float，则应介于0.0和1.0之间，并表示要包含在序列拆分中的数据集的比例。如果为int，则表示训练样本的绝对数。如果没有，该值将自动设置为测试大小的补码。
- random_state：（输入一个值便可以得到可复制的输出）数据类型为int, 填入随机状态实例或无, 默认值为None。在拆分数据之前控制应用于数据的清洗，在多个函数调用之间传递一个int以获得可复制的输出。
- shuffle：数据类型为bool, 默认值为True。决定是否在拆分前对数据进行清洗。如果shuffle=False，则分层必须为None。
- stratify：输入类数组对象, 默认值为None。如果不是None，则以分层方式拆分数据，并将其用作类标签。
3.返回值
训练 和 测试分割的列表。
4.实例
>>> import numpy as np
>>> from sklearn.model_selection import train_test_split
>>> X, y = np.arange(10).reshape((5, 2)), range(5)
>>> X
array([[0, 1],
[2, 3],
[4, 5],
[6, 7],
[8, 9]])
>>> list(y)
[0, 1, 2, 3, 4]import numpy as np
from sklearn.model_selection import train_test_split
X, y = np.arange(10).reshape((5, 2)), range(5)
# 划分test数据集的比例为0.2，所以测试集的比例为测试大小的补码：0.8
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
print("X_train数据集为：", X_train)
print("X_test数据集为：", X_test)
print("y_train数据集为：", y_train)
print("y_test数据集为：", y_test)
详解train_test_split()函数（官方文档有点不说人话）_ac7的博客-CSDN博客_train_test_split