编写一个 Python 函数，将 clusters.csv 文件，格式为：第一列为编号，第二列为聚类的代表序列，第三列为所有的其它同源序列，逗号隔开（TM-align蛋白质聚类数据格式转化-CSDN博客），划分为 train, valid, 和 test 数据集。通常，我们可以根据一定的比例（比如 70% 用于 train，15% 用于 valid，15% 用于 test）进行划分。

以下是一个将 clusters.csv 划分为三个数据集的示例函数：

import csv
import random
import osdef split_dataset(input_csv, train_csv, valid_csv, test_csv, train_ratio=0.7, valid_ratio=0.15, test_ratio=0.15, seed=42):"""将clusters.csv文件划分为train, valid, test数据集。:param input_csv: 输入的csv文件路径:param train_csv: 输出的训练集csv文件路径:param valid_csv: 输出的验证集csv文件路径:param test_csv: 输出的测试集csv文件路径:param train_ratio: 训练集比例，默认0.7:param valid_ratio: 验证集比例，默认0.15:param test_ratio: 测试集比例，默认0.15:param seed: 随机种子，确保划分结果可复现"""# 检查比例是否为1assert train_ratio + valid_ratio + test_ratio == 1, "训练、验证和测试集的比例必须加起来等于1"# 设置随机种子random.seed(seed)# 读取原始数据with open(input_csv, 'r') as csvfile:reader = list(csv.reader(csvfile))header = reader[0]  # 读取标题行data = reader[1:]   # 读取数据部分# 打乱数据random.shuffle(data)# 计算划分的索引total_size = len(data)train_size = int(total_size * train_ratio)valid_size = int(total_size * valid_ratio)train_data = data[:train_size]valid_data = data[train_size:train_size + valid_size]test_data = data[train_size + valid_size:]# 定义一个辅助函数来写csv文件def write_csv(output_csv, data):with open(output_csv, 'w', newline='') as csvfile:writer = csv.writer(csvfile)writer.writerow(header)  # 写入标题行writer.writerows(data)   # 写入数据# 写入三个文件write_csv(train_csv, train_data)write_csv(valid_csv, valid_data)write_csv(test_csv, test_data)print(f"数据集已成功划分：\n训练集: {len(train_data)} 条记录\n验证集: {len(valid_data)} 条记录\n测试集: {len(test_data)} 条记录")# 调用函数进行数据集划分
split_dataset(input_csv='clusters.csv', train_csv='train.csv', valid_csv='valid.csv', test_csv='test.csv'
)

解释：

1. 函数参数：

   • input_csv: 输入的 clusters.csv 文件路径。
   • train_csv, valid_csv, test_csv: 输出的训练集、验证集、测试集文件路径。
   • train_ratio, valid_ratio, test_ratio: 数据集划分的比例，默认是 70% 训练集，15% 验证集，15% 测试集。
   • seed: 随机种子，确保每次划分的结果一致。

2. 逻辑：

   • 读取 clusters.csv 文件并将数据打乱。
   • 按照指定比例计算每个数据集的大小。
   • 将数据分别写入 train.csv、valid.csv 和 test.csv 文件中。

3. 使用：

   • 将原始的 clusters.csv 文件作为输入，输出 train.csv、valid.csv 和 test.csv。