保持每个分割中的类别比例的训练/测试分割是一个重要的问题，特别是在不平衡的数据集中。下面是一个解决方案的代码示例，使用Python和Scikit-learn库来实现。

首先，我们假设你已经有了一个包含数据和标签的数据集。下面是一个简单的数据集示例：

import numpy as np

# 生成样本数据
data = np.array([[1, 2], [2, 3], [3, 4], [4, 5], [5, 6], [6, 7], [7, 8], [8, 9], [9, 10], [10, 11]])
labels = np.array([0, 0, 0, 0, 0, 1, 1, 1, 2, 2])

现在，我们将使用StratifiedShuffleSplit类来创建训练集和测试集的分割。StratifiedShuffleSplit会根据每个类别的比例来分割数据。

from sklearn.model_selection import StratifiedShuffleSplit

# 创建分割器
splitter = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=42)

# 进行分割
train_indices, test_indices = next(splitter.split(data, labels))

上述代码将数据集划分为80%的训练集和20%的测试集。n_splits参数指定了分割的次数，test_size参数指定了测试集的比例，random_state参数用于设置随机种子以确保结果的可重复性。

现在，我们可以使用生成的索引来获取训练集和测试集的数据和标签。

# 获取训练集和测试集的数据和标签
train_data, train_labels = data[train_indices], labels[train_indices]
test_data, test_labels = data[test_indices], labels[test_indices]

最后，你可以使用train_data和train_labels来训练你的模型，并使用test_data和test_labels来评估模型的性能。

这是一个基本的示例，你可以根据自己的数据集和需求进行调整和扩展。