有没有一种方法可以在不打乱数据的情况下进行分层的训练/测试拆分？

是的，可以使用交叉验证（Cross Validation）方法来在不打乱数据的情况下进行分层的训练/测试拆分。

交叉验证是一种常用的模型评估方法，它将数据集分为训练集和测试集，并重复多次进行模型训练和评估。其中，分层交叉验证（Stratified Cross Validation）是一种特殊的交叉验证方法，它能够保持数据集中各类别样本的比例在训练集和测试集中的一致性。

具体步骤如下：

1. 将数据集按照类别进行分组。
2. 对于每个类别，将其样本分为K份（通常K取值为5或10）。
3. 对于每一份，将其作为测试集，其余K-1份作为训练集。
4. 重复步骤3，直到每一份都作为测试集过一次。
5. 对于每次划分，都可以得到一个模型评估指标（如准确率、精确率、召回率等）。
6. 最后，将所有评估指标的平均值作为模型的性能评估结果。

交叉验证的优势在于能够更充分地利用数据集，减少模型评估结果的方差，提高模型的泛化能力。它适用于数据集较小、样本分布不均衡的情况下，能够更准确地评估模型的性能。

腾讯云提供了一系列与机器学习和数据处理相关的产品，例如腾讯云机器学习平台（https://cloud.tencent.com/product/tcmlp）、腾讯云数据万象（https://cloud.tencent.com/product/ci）、腾讯云数据湖（https://cloud.tencent.com/product/datalake）等，可以帮助用户进行数据处理、模型训练和评估等工作。