如何实现不指定名称的动态目标变量Train-Test数据集拆分？

我看到你想要实现一个能动态指定目标变量的数据集拆分函数，避免硬编码Survived，同时你的现有代码存在几个小问题，我来帮你修正并优化：

现有代码的核心问题 #

• 函数名train_test_split和sklearn自带的拆分函数重名了，这会导致递归调用错误（你的函数内部又调用了同名函数）；
• 获取目标变量的语法错误：y=d.target是错误的Pandas列引用方式，应该用d[target]或者d.loc[:, target]；
• 目标变量是硬编码的，无法动态传入自定义的列名。

优化后的代码方案 #

我们可以修改函数名避免冲突，同时添加target参数来支持动态指定目标变量，还可以给它设置默认值保持原有逻辑：

from sklearn.model_selection import train_test_split

def custom_train_test_split(d, target='Survived'):
    # 分离特征矩阵和目标变量
    X = d.drop(target, axis=1)
    y = d[target]  # 正确的DataFrame列引用方式
    # 调用sklearn的拆分函数（函数名不重名，不会触发递归）
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33)
    return X_train, X_test, y_train, y_test

使用示例 #

1. 使用默认目标变量Survived：

# 假设df是你的数据集
X_train, X_test, y_train, y_test = custom_train_test_split(df)

2. 动态指定其他目标变量（比如Fare）：

X_train, X_test, y_train, y_test = custom_train_test_split(df, target='Fare')

这样就完美实现了无需硬编码目标变量的动态拆分需求啦！

内容的提问来源于stack exchange，提问作者mounika M