以下是一个不使用sklearn库创建K折交叉验证集的示例代码：

import numpy as np

def kfold_cross_validation(data, labels, k):
    # 将数据和标签合并为一个数组
    dataset = np.c_[data, labels]
    
    # 打乱数据集
    np.random.shuffle(dataset)
    
    # 计算每个折的大小
    fold_size = len(dataset) // k
    
    # 初始化交叉验证结果列表
    cv_results = []
    
    # 分割数据集为K折
    for i in range(k):
        fold_start = i * fold_size
        fold_end = (i + 1) * fold_size
        
        # 获取验证集
        validation_data = dataset[fold_start:fold_end, :-1]
        validation_labels = dataset[fold_start:fold_end, -1]
        
        # 获取训练集
        if i == 0:
            train_data = dataset[fold_end:, :-1]
            train_labels = dataset[fold_end:, -1]
        elif i == k - 1:
            train_data = dataset[:fold_start, :-1]
            train_labels = dataset[:fold_start, -1]
        else:
            train_data = np.concatenate((dataset[:fold_start, :-1], dataset[fold_end:, :-1]))
            train_labels = np.concatenate((dataset[:fold_start, -1], dataset[fold_end:, -1]))
        
        # 将训练集和验证集添加到交叉验证结果列表中
        cv_results.append((train_data, train_labels, validation_data, validation_labels))
        
    return cv_results

# 测试代码
data = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]])
labels = np.array([0, 1, 0, 1, 0])

k = 3
cv_results = kfold_cross_validation(data, labels, k)

for i, (train_data, train_labels, validation_data, validation_labels) in enumerate(cv_results):
    print(f"Fold {i+1}:")
    print("Training data:")
    print(train_data)
    print("Training labels:")
    print(train_labels)
    print("Validation data:")
    print(validation_data)
    print("Validation labels:")
    print(validation_labels)
    print("---------")

此代码中，kfold_cross_validation函数接受数据集和标签作为输入，以及所需的折数k。它首先将数据和标签合并为一个数组，并打乱数据集。然后，它根据每个折的大小将数据集分割为K个折。在每个折中，它将验证集作为当前折的数据和标签，并从其余数据中获取训练集。最后，它将训练集和验证集添加到交叉验证结果列表中，并返回该列表。

在测试代码中，我们创建了一个简单的数据集和标签，并将其传递给kfold_cross_validation函数以进行3折交叉验证。然后，我们遍历交叉验证结果列表，并打印每个折的训练集和验证集。