train_test_split数据比例异常的根本原因是未设random_state或误将test_size当绝对数量用；它默认按比例切分，传整数才按条数切，但需确保数据量足够且行数一致，加stratify=y可保类别比例，shuffle=True防时序泄露，返回顺序固定为X_train、X_test、y_train、y_test，时间序列须用TimeSeriesSplit。
train_test_split 为什么分出来的数据比例总不对
根本原因常是没设 random_state，或者误把 test_size 当成绝对数量用。它默认按比例切分，比如 test_size=0.2 表示取 20% 样本，不是固定 20 条；若传入整数（如 test_size=100），才按具体条数切——但仅当数据量 ≥100 且你明确知道总量时才安全。
常见错误现象：ValueError: test_size must be less than the number of samples，就是传了比总样本还大的整数。
- 训练集/测试集划分前务必确认
X和y行数一致，否则会静默错位 - 分类任务中，加
stratify=y能保持各类别在两集中比例一致，不加可能某类在测试集里全没了 -
shuffle=True是默认值，但如果你的数据本身有序（比如按时间或类别排），不 shuffle 就会导致训练集全是前半段、测试集全是后半段，模型根本学不到泛化能力
train_test_split 返回的四个变量顺序不能乱
它固定返回 X_train, X_test, y_train, y_test 这四个，顺序不能靠名字猜，也不能只接两个变量想着“反正前两个是 X”。少接或错序会导致后续 fit() 报 ValueError: Expected 2D array, got 1D array instead 这类难以定位的错。
AI 舌诊面诊问诊医疗系统 + 诊疗商城系统源码是一套结合 AI 辅助诊断与商品转化的健康类程序，基于浩创云、ThinkPHP（PHP）开发，支持微信服务号与 H5 端，适合做中医舌诊面诊问答、健康建议推送以及配套诊疗商品的运营。
- 最稳妥写法：一次解包四变量，
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) - 如果只要 X 的划分（比如做无监督预处理），仍得写全四个变量，把后两个设为占位符：
X_train, X_test, _, _ = train_test_split(X, y, test_size=0.2) - 别用索引取，
train_test_split(...)[0]这种写法既难读又易错，尤其后续加参数改顺序时会崩
和 cross_val_split 混用时容易漏掉独立测试集
很多人用 cross_val_score 或 GridSearchCV 时，误以为交叉验证那几折已经“验过模型”，就直接拿原始数据去 fit-predict。其实 CV 只用于调参或评估，最终模型必须在**未参与 CV 的独立测试集**上跑一次，否则指标虚高。
- 正确流程：先用
train_test_split切出一个干净的X_test/y_test（不参与任何训练或 CV）；再对剩下的训练部分做 CV 调参；最后用最优参数在完整训练集上fit()，再在那个预留的X_test上predict() - 如果跳过第一步，直接对全量数据 CV，等于让每条样本都在某折里当过测试集，没有真正“没见过”的数据，上线后效果必然下滑
-
train_test_split的test_size建议设为 0.2–0.3；CV 阶段再从训练集里分，两者不冲突
时间序列数据不能直接用 train_test_split
股票、日志、传感器数据这类有严格时间顺序的，用 train_test_split 随机打乱会泄露未来信息。模型看到“明天”的特征去预测“今天”，指标再好也没意义。
- 该用
TimeSeriesSplit，它按时间先后切，保证每折的训练集都在测试集之前 - 或者手动切：比如前 80% 当训练，后 20% 当测试，且不 shuffle —— 但必须显式写
shuffle=False，因为train_test_split默认是 True - 哪怕只是带时间戳的表格数据，只要业务逻辑依赖时序（比如用户行为分析），就得按时间切，不能图省事用随机切
实际用的时候，最容易被忽略的是 stratify 和 shuffle 这两个开关——它们默认值看似合理，但在特定场景下恰恰是 bug 温床。
