以下是使用sklearn库中的cross_val_score方法将数据按组划分为训练集和测试集的示例代码：

from sklearn.model_selection import cross_val_score
from sklearn.model_selection import GroupKFold
from sklearn import datasets
from sklearn import svm

# 加载示例数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
groups = iris.target

# 创建分类器
clf = svm.SVC(kernel='linear', C=1, random_state=0)

# 创建GroupKFold交叉验证对象
group_kfold = GroupKFold(n_splits=3)

# 使用cross_val_score方法进行交叉验证并输出准确率
scores = cross_val_score(clf, X, y, groups=groups, cv=group_kfold)
print("准确率: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))

在上面的示例中，我们加载了一个示例数据集（鸢尾花数据集），其中X是特征数据，y是目标变量，groups是按照组别划分的标签。我们创建了一个SVC分类器对象clf，并使用GroupKFold(n_splits=3)创建了一个GroupKFold交叉验证对象。然后，我们使用cross_val_score方法对分类器进行交叉验证，并将得到的准确率打印出来。

需要注意的是，为了正确地按组划分数据集，我们将groups参数传递给cross_val_score方法，以指示按照组别划分数据。