按80%/10%/10%比例拆分列表为3份的Python实现是否存在缺陷？

你的代码在样本量为10的整数倍、数据本身随机排序的场景下可以正常运行，但存在以下几个明显的潜在问题：

• 未做随机打乱，数据分布易偏移
  直接按原数据顺序切分，如果原数据是按类别、时间或其他特征排序的，会导致训练集、验证集、测试集的数据分布差异极大，训练出的模型泛化能力会严重下降，甚至完全不可用。
• 比例计算存在截断误差，小数据集下偏差极大
  你直接用int()截断浮点计算结果，当总样本量不是10的整数倍时，拆分比例会严重偏离预期。比如总样本量为9时，0.8*9=7.2截断为7，0.1*9=0.9截断为0，最终拆分比例为7:0:2，验证集直接为空，完全不符合10%的拆分要求。
• 无异常输入校验
  如果传入空列表、不可切片的类型（如集合、生成器），代码要么返回无意义的空数据集，要么直接抛出索引错误，没有提前做合法性校验。
• 未考虑分类任务的分层抽样需求
  如果是分类场景，哪怕加了随机打乱，也可能出现某类样本在验证集/测试集里完全缺失的情况，需要按标签分层抽样保证三个数据集的类别分布和原数据集一致。

import random

def split_data(data, shuffle=True, train_ratio=0.8, val_ratio=0.1):
    total = len(data)
    # 输入合法性校验
    if total == 0:
        raise ValueError("输入数据集不能为空")
    if abs(train_ratio + val_ratio - 0.9) > 1e-6:
        raise ValueError("训练集+验证集比例之和应为0.9，剩余部分为测试集")
    # 随机打乱（不修改原数据）
    if shuffle:
        data = data.copy()
        random.shuffle(data)
    # 计算切分点，用四舍五入减少截断误差
    train_end = int(round(total * train_ratio))
    val_end = train_end + int(round(total * val_ratio))
    # 边界兜底，避免数据集为空
    val_end = min(val_end, total - 1)
    train_end = min(train_end, val_end - 1)
    return data[:train_end], data[train_end:val_end], data[val_end:]

内容的提问来源于stack exchange，提问作者marlon