在机器学习中，将数据拆分成训练集和测试集是一个常见的步骤。几种常用的方法，包括从头开始编写代码的方式和利用Python库实现的方式。通过拆分数据集，可以更好地评估模型的性能并避免过拟合现象的发生。其中，留出法、交叉验证法和自助法都有各自的优缺点，需要根据实际情况灵活选择。训练集和测试集的比例也需要根据数据集的大小和特点适当调整。本文提供了相关代码和示例，以帮助读者更好地理解和应用这些方法。