python读取一个由许多csv文件组成的文件夹分别作为训练集和测试集，写代码

要读取一个由许多CSV文件组成的文件夹，并将它们分别作为训练集和测试集，可以使用Python的内置模块os和random来处理文件和随机化数据。下面是一个示例代码，展示了如何实现这个过程： ```python import os import random import csv def read_csv_file(file_path): dataset = [] with open(file_path, 'r') as file: csv_reader = csv.reader(file) for row in csv_reader: dataset.append(row) return dataset def split_dataset(folder_path, train_ratio): train_dataset = [] test_dataset = [] file_list = os.listdir(folder_path) random.shuffle(file_list) train_size = int(len(file_list) * train_ratio) for i, file_name in enumerate(file_list): file_path = os.path.join(folder_path, file_name) if i < train_size: train_data = read_csv_file(file_path) train_dataset.extend(train_data) else: test_data = read_csv_file(file_path) test_dataset.extend(test_data) return train_dataset, test_dataset # 读取文件夹中的CSV文件并拆分为训练集和测试集 folder_path = 'dataset_folder' # 替换成你的文件夹路径 train_ratio = 0.8 # 训练集所占比例 train_set, test_set = split_dataset(folder_path, train_ratio) # 打印训练集 print("Train Set:") for row in train_set: print(row) # 打印测试集 print("Test Set:") for row in test_set: print(row) ``` 在这个示例中，我们首先定义了一个`read_csv_file`函数，用于读取单个CSV文件并返回其数据集。然后，我们定义了一个`split_dataset`函数，它接受文件夹路径和训练集所占比例作为参数，并返回拆分后的训练集和测试集。 在`split_dataset`函数内部，我们使用`os.listdir`函数获取文件夹中的所有文件名，并使用`random.shuffle`函数对文件名进行随机化处理。然后，我们根据训练集所占比例将文件名列表分为训练集和测试集两部分。 接下来，我们遍历文件列表，根据文件名构建文件路径，并使用`read_csv_file`函数读取CSV文件的内容。如果文件属于训练集部分，则将其数据添加到训练集中；否则，将其数据添加到测试集中。 最后，我们调用`split_dataset`函数，将文件夹路径和训练集所占比例作为参数，并获取拆分后的训练集和测试集。你可以根据需要进一步处理这些数据集，例如进行模型训练或测试。请确保将`folder_path`变量替换为你实际的文件夹路径，并设置适当的训练集比例。