正如elham所提到的，您可以使用scikit-learn轻松完成此操作。 scikit-learn是一个用于机器学习的开源库。有大量的数据准备工具，包括model_selection模块，该模块处理比较，验证和选择参数。

model_selection.train_test_split()方法经过专门设计，可将您的数据随机且按百分比分为训练集和测试集。

X_train, X_test, y_train, y_test = train_test_split(features,
                                                    labels,
                                                    test_size=0.33,
                                                    random_state=42)

test_size是保留用于测试的百分比， random_state是播种随机采样的种子。

我通常使用它来提供训练和验证数据集，并分别保存真实的测试数据。您也可以只运行两次train_test_split来执行此操作。即将数据分为（训练+验证）和测试，然后将训练+验证分为两个单独的张量。

使用tf.data.Dataset api的map和filter函数，我设法获得了不错的结果。只需使用地图功能即可在训练和测试之间随机选择示例。为此，对于每个示例，您都可以从均匀分布中获取样本，并检查样本值是否低于速率划分。

def split_train_test(parsed_features, train_rate):
    parsed_features['is_train'] = tf.gather(tf.random_uniform([1], maxval=100, dtype=tf.int32) < tf.cast(train_rate * 100, tf.int32), 0)
    return parsed_features

def grab_train_examples(parsed_features):
    return parsed_features['is_train']

def grab_test_examples(parsed_features):
    return ~parsed_features['is_train']

import sklearn.model_selection as sk

X_train, X_test, y_train, y_test = 
sk.train_test_split(features,labels,test_size=0.33, random_state = 42)

像下面这样的东西应该起作用： tf.split_v(tf.random_shuffle(...