3. 随机划分法：使用 sklearn 的 train_test_split 进行简单随机划分

随机划分法（Simple Random Split）是信用额度定价建模中最基础、最常用的数据划分策略。其核心思想是将原始数据集按照指定的比例，完全随机地拆分为训练集和测试集，不引入任何排序或分层约束。在 Python 生态中，sklearn.model_selection.train_test_split 是执行该操作的标准工具。

3.1 核心原理与适用边界

随机划分法假设样本是独立同分布的，且数据量足够大时，随机抽样能保证训练集与测试集在统计分布上趋于一致。但在信用额度定价场景中，该方法的有效性取决于以下条件：

3.2 代码示例：标准实现流程

以下代码展示了使用 train_test_split 进行信用额度定价数据划分的完整流程，包含特征矩阵与目标变量的拆分、随机种子设置、以及划分后的维度验证。

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_classification

# 模拟信用额度定价数据：10000 样本，20 个特征，违约率约 10%
X, y = make_classification(
    n_samples=10000,
    n_features=20,
    n_informative=15,
    n_redundant=3,
    n_clusters_per_class=1,
    weights=[0.9, 0.1],   # 90% 正常，10% 违约
    random_state=42
)

# 将特征矩阵转为 DataFrame 便于查看
feature_names = [f'feature_{i}' for i in range(20)]
X_df = pd.DataFrame(X, columns=feature_names)
y_series = pd.Series(y, name='default_flag')

# 随机划分：70% 训练集，30% 测试集
X_train, X_test, y_train, y_test = train_test_split(
    X_df,
    y_series,
    test_size=0.3,          # 测试集比例
    random_state=2024,      # 固定随机种子，保证结果可复现
    shuffle=True            # 默认 True，打乱数据顺序
)

# 输出划分结果
print(f"总样本量: {len(X_df)}")
print(f"训练集样本量: {len(X_train)} ({len(X_train)/len(X_df)*100:.1f}%)")
print(f"测试集样本量: {len(X_test)} ({len(X_test)/len(X_df)*100:.1f}%)")
print(f"\n训练集违约率: {y_train.mean():.4f}")
print(f"测试集违约率: {y_test.mean():.4f}")

3.3 随机划分的潜在风险与避坑指南

尽管 train_test_split 使用简单，但在信用额度定价的实际业务中，以下三个陷阱需要特别警惕：

• 陷阱一：信息泄露 — 如果同一客户在数据集中出现多次（如分期还款记录），随机划分可能将该客户的部分记录分入训练集、部分分入测试集，导致模型"提前看到"该客户的还款行为。解决方案：先按客户 ID 去重或分组，再进行划分。
• 陷阱二：时间穿越 — 信用额度定价通常依赖历史表现数据。如果数据包含时间戳，随机划分可能将较早的样本分入测试集、较晚的样本分入训练集，造成模型用"未来数据"预测"过去"。解决方案：改用时间序列划分（第5章）。
• 陷阱三：小样本下的分布偏移 — 当总样本量 < 5,000 时，随机划分可能导致训练集与测试集的违约率相差超过 2 个百分点，直接影响额度定价模型的校准。解决方案：使用分层随机划分（第4章）或交叉验证。

3.4 随机划分流程可视化

下图展示了随机划分法在信用额度定价数据上的完整流程，从原始数据集到训练集与测试集的生成，以及后续的模型训练与评估链路。

3.5 随机划分 vs 其他划分方法：快速对比

为了帮助你在信用额度定价项目中快速选择合适的划分策略，下表将随机划分法与后续章节将介绍的分层划分、时间序列划分进行对比：