将一个数据框架按比例分割通常是为了将数据集划分为训练数据集和测试数据集，以用于模型训练和测试。下面是完整的攻略，包含了实例说明：
1. 加载数据集
首先，需要将数据集加载到代码中。使用 pandas 库可以轻松加载数据集。以下是一个使用 pandas 读取 CSV 文件并将结果存储在名为 “data” 的数据框架中的示例：
import pandas as pd
data = pd.read_csv("data.csv")
如果数据集存储在其他格式的文件中，只需使用对应的 pandas 读取文件函数即可。
2. 拆分数据集
一旦数据集被加载到代码中，就需要将其拆分为训练数据集和测试数据集。最常用的方法之一是将数据集按比例分割，通常是将 70％ 划分为训练数据集，将 30% 划分为测试数据集。以下是如何按照这个比例拆分数据集：
from sklearn.model_selection import train_test_split
train_data, test_data = train_test_split(data, test_size=0.3)
这里使用了 scikit-learn 库中的 train_test_split 方法，其中数据集分为两部分，分别存储在 train_data 和 test_data 变量中。test_size 参数指定了测试数据占总数据量的比例。
3. 检查拆分结果
拆分数据集之后，需要确保按照比例正确地拆分。可以通过输出拆分结果的相关统计信息来检查实际的比例和预期的比例是否一致。这可以使用 pandas 库中的 shape 属性和 describe 方法来实现：
print(train_data.shape) # 输出训练数据集大小
print(test_data.shape) # 输出测试数据集大小
print(train_data.describe()) # 输出训练数据集的描述性统计
print(test_data.describe()) # 输出测试数据集的描述性统计
4. 应用拆分数据集
现在，可以将训练数据集和测试数据集用于模型的训练和测试。通常，训练数据集将用于拟合模型，而测试数据集则用于评估模型的性能。以下是一个拟合一个基本线性回归模型的示例：
from sklearn.linear_model import LinearRegression
X_train = train_data.drop("target", axis=1) # 训练数据集的特征（不包括目标）
y_train = train_data["target"] # 训练数据集的目标
X_test = test_data.drop("target", axis=1) # 测试数据集的特征（不包括目标）
y_test = test_data["target"] # 测试数据集的目标
model = LinearRegression() # 定义线性回归模型
model.fit(X_train, y_train) # 使用训练数据拟合模型
y_pred = model.predict(X_test) # 使用测试数据集评估模型
这里，通过将数据集拆分为训练数据集和测试数据集并将其用于模型的训练和测试，可以确保模型的性能可以在未见过的数据上进行准确的评估。