下面是一个以年份划分数据集并进行训练测试拆分的示例代码：

import pandas as pd
from sklearn.model_selection import train_test_split

# 读取数据
data = pd.read_csv('data.csv')

# 将日期列转换为日期格式
data['日期'] = pd.to_datetime(data['日期'])

# 按年份划分数据集
data['年份'] = data['日期'].dt.year

# 获取所有年份
years = data['年份'].unique()

# 循环按年份进行训练测试拆分
for year in years:
    train_data = data[data['年份'] < year]
    test_data = data[data['年份'] == year]
    
    # 做一些其他操作，比如特征工程等
    
    # 划分特征和目标变量
    X_train = train_data.drop(['目标变量', '日期', '年份'], axis=1)
    y_train = train_data['目标变量']
    
    X_test = test_data.drop(['目标变量', '日期', '年份'], axis=1)
    y_test = test_data['目标变量']
    
    # 进行模型训练和测试
    # ...

以上代码假设数据文件为data.csv，其中包含一个日期列和一个目标变量列。首先，我们将日期列转换为日期格式，并创建一个新的列年份，表示每行数据对应的年份。然后，通过unique()方法获取所有年份。接下来，我们循环遍历每个年份，将年份之前的数据作为训练集，年份相同的数据作为测试集。在每个循环中，你可以进行其他操作，如特征工程等。最后，我们将特征和目标变量拆分为训练集和测试集，然后可以继续进行模型训练和测试的操作。