按行索引拆分DataFrame为训练/验证/测试集时遇问题

看起来你想按行的顺序依次把数据分配到训练、验证、测试集（第1条去训练，第2条去验证，第3条去测试，然后循环重复），但目前的代码有几个关键问题，我来帮你修正：

你的代码存在的问题 #

• 条件逻辑错误：你用了i%2和i%3的组合，这完全不符合“依次分配”的需求，会导致数据分配混乱（比如某些行可能被同时分到多个集合，或者漏分）。
• DataFrame.append用法错误：Pandas的append方法需要传入行数据（比如dfClimbing.iloc[i:i+1]），而且它不会原地修改DataFrame，需要重新赋值给变量；另外直接append整数i是完全错误的，你需要添加的是DataFrame的行，不是索引数字。
• 效率低下：循环逐行添加到空DataFrame的方式在数据量大时会很慢，Pandas更推荐用批量筛选的方式。

正确的实现方式 #

方法1：符合你思路的循环修正版 #

如果你坚持用循环的方式，修正后的代码如下：

import pandas as pd

# 假设dfClimbing是你的原始DataFrame
climbingTngDataset = pd.DataFrame([])
climbingValDataset = pd.DataFrame([])
climbingTestDataset = pd.DataFrame([])

for i in range(len(dfClimbing)):
    # 按索引模3的结果分配：0→训练，1→验证，2→测试
    if i % 3 == 0:
        # 选取第i行，注意iloc[i:i+1]返回的是DataFrame，不是Series
        climbingTngDataset = pd.concat([climbingTngDataset, dfClimbing.iloc[i:i+1]], ignore_index=True)
    elif i % 3 == 1:
        climbingValDataset = pd.concat([climbingValDataset, dfClimbing.iloc[i:i+1]], ignore_index=True)
    else:
        climbingTestDataset = pd.concat([climbingTestDataset, dfClimbing.iloc[i:i+1]], ignore_index=True)

注意：Pandas已经弃用了append方法，推荐用pd.concat来合并DataFrame，而且每次合并后要重新赋值给变量，因为concat不会修改原对象。

方法2：更高效的Pandas批量筛选（推荐） #

循环逐行处理效率很低，尤其是数据量大的时候，用索引筛选的方式更简洁高效：

import pandas as pd

# 生成每个行的分配标签
dfClimbing['split'] = dfClimbing.index % 3

# 批量筛选得到三个数据集
climbingTngDataset = dfClimbing[dfClimbing['split'] == 0].drop('split', axis=1).reset_index(drop=True)
climbingValDataset = dfClimbing[dfClimbing['split'] == 1].drop('split', axis=1).reset_index(drop=True)
climbingTestDataset = dfClimbing[dfClimbing['split'] == 2].drop('split', axis=1).reset_index(drop=True)

这个方法先给每行添加一个split标签（0/1/2对应训练/验证/测试），然后通过布尔索引批量筛选，最后删除临时的split列并重置索引，比循环快得多。

补充说明 #

如果你说的“第1条观测”是指从显示的第1行开始计数（而非默认的索引0），只需要调整标签生成逻辑即可：

# 让第1行（索引0）对应训练，第2行（索引1）对应验证，第3行（索引2）对应测试
dfClimbing['split'] = (dfClimbing.index + 1) % 3

# 对应筛选逻辑
climbingTngDataset = dfClimbing[dfClimbing['split'] == 1].drop('split', axis=1).reset_index(drop=True)
climbingValDataset = dfClimbing[dfClimbing['split'] == 2].drop('split', axis=1).reset_index(drop=True)
climbingTestDataset = dfClimbing[dfClimbing['split'] == 0].drop('split', axis=1).reset_index(drop=True)

这样就完全匹配你描述的“第1条进训练，第2条进验证，第3条进测试”的需求了。

内容的提问来源于stack exchange，提问作者Jay Py