如何不打乱数据顺序实现分层train_test_split？解决ValueError报错

你遇到的报错是因为sklearn的train_test_split不支持在关闭打乱（shuffle=False）的同时使用分层（stratify）参数——分层逻辑依赖打乱来保证训练/测试集的类别分布一致，而时间序列要求保持原始顺序，两者在原生方法里无法兼容。

要实现指定比例拆分、保持数据顺序、同时分层的需求，需要手动实现分层采样逻辑，核心思路是：按目标变量分组，在每个类别中按比例抽取尾部样本（符合时间序列用后期数据测试的逻辑），再合并测试集，剩下的作为训练集。

实现代码 #

import pandas as pd

# 示例数据集
data = pd.DataFrame({
    'feature1': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    'target': [0, 1, 0, 1, 0, 1, 0, 1, 0, 1]
})

test_size = 0.2
# 计算每个类别需要抽取的测试样本数（按比例取整）
test_counts = (data['target'].value_counts() * test_size).round().astype(int)

# 收集测试集的索引
test_indices = []
for target, count in test_counts.items():
    # 取当前类别最后count个样本的索引（保持时间顺序）
    class_indices = data[data['target'] == target].index[-count:]
    test_indices.extend(class_indices)

# 拆分数据集
test_df = data.loc[test_indices]
train_df = data.drop(test_indices)

# 按索引排序，确保训练/测试集保持原始数据顺序
train_df = train_df.sort_index()
test_df = test_df.sort_index()

print("训练集：")
print(train_df)
print("\n测试集：")
print(test_df)

逻辑说明 #

1. 先根据test_size计算每个目标类别需要分配到测试集的样本数；
2. 对每个类别，选取该类别在原始数据中最后N个样本（时间序列场景下，用后期数据做测试更合理）；
3. 通过索引拆分出训练集和测试集，最后按索引排序保证顺序不变。

补充提示 #

如果test_size计算出的样本数不是整数，可根据实际需求调整取整方式（比如用math.ceil或math.floor）；如果你的时间序列数据的类别分布在时间上有偏移，也可以调整采样逻辑（比如按时间窗口分层）。

内容的提问来源于stack exchange，提问作者shaik moeed