一、预备知识
1.数据操作
（1）数据访问：
一个元素：[1,2] //行下标为1，列下标为2的元素
一行元素：[1,:] //行下标为1的所有元素
一列元素：[:,1] //列下标为1的所有元素
子区域：[1:3,1:] //行下标为[1,3),列下标为[1,+无穷）的所有元素
子区域：[::3,::2] //行下标跨度为3，列下标跨度为2的元素
（2）张量(tensor)：
理解Tensorflow中的张量：从零维到四维-CSDN博客
一种多维数组，可以用来表示各种物理量和几何量。
张量连结：是一种将多个张量沿着某一维度合并的操作。
torch.cat()
torch.cat() 是 PyTorch 中用于张量拼接的主要函数，其语法如下：
torch.cat(tensors, dim=0)
-
tensors：一个包含多个张量的序列，这些张量需要在指定维度上具有相同的形状。
-
dim：指定拼接的维度。
-
一维张量拼接
tensor_a = torch.tensor([1, 2, 3]) tensor_b = torch.tensor([4, 5, 6]) concatenated = torch.cat((tensor_a, tensor_b), dim=0) # 结果为 [1, 2, 3, 4, 5, 6]
输出形状为
(6,)。 -
二维张量拼接
tensor_1 = torch.tensor([[1, 2], [3, 4]]) tensor_2 = torch.tensor([[5, 6], [7, 8]]) concatenated_dim0 = torch.cat((tensor_1, tensor_2), dim=0) # 沿第0维拼接 concatenated_dim1 = torch.cat((tensor_1, tensor_2), dim=1) # 沿第1维拼接
输出形状分别为
(4, 2)和(2, 4)。 -
高维张量拼接
tensor_3d_1 = torch.randn(2, 3, 4) tensor_3d_2 = torch.randn(2, 3, 4) concatenated_dim2 = torch.cat((tensor_3d_1, tensor_3d_2), dim=2) # 沿第2维拼接
输出形状为
(2, 3, 8)。=>张量的初始形状和内容
tensor_5 = torch.tensor([[[2, 3, 5]], [[9, 0, 2]]]) tensor_6 = torch.tensor([[[4, 5, 9]], [[3, 6, 4]]])
-
形状：
tensor_5和tensor_6的形状都是(2, 1, 3)。 -
内容：
-
tensor_5包含两个矩阵：[[[2, 3, 5]],[[9, 0, 2]]]
-
tensor_6包含两个矩阵：[[[4, 5, 9]],[[3, 6, 4]]]
-
=>在不同维度上拼接的结果
-
沿
dim=2拼接
dim2 = torch.cat((tensor_5, tensor_6), dim=2)
-
拼接维度：
dim=2是每个矩阵的列方向（最内层的维度）。 -
拼接过程：
-
第一个矩阵的第0行：
-
tensor_5的[2, 3, 5]和tensor_6的[4, 5, 9]拼接为[2, 3, 5, 4, 5, 9]。
-
-
第二个矩阵的第0行：
-
tensor_5的[9, 0, 2]和tensor_6的[3, 6, 4]拼接为[9, 0, 2, 3, 6, 4]。
-
-
-
结果：
tensor([[[2, 3, 5, 4, 5, 9]], [[9, 0, 2, 3, 6, 4]]])
-
形状：
(2, 1, 6)。-
第0维（矩阵数量）：2。
-
第1维（行数）：1。
-
第2维（列数）：6（拼接后的列数）。
-
-
沿
dim=0拼接
dim0 = torch.cat((tensor_5, tensor_6), dim=0)
-
拼接维度：
dim=0是最外层的维度，表示矩阵的数量。 -
拼接过程：
-
将
tensor_5的两个矩阵和tensor_6的两个矩阵依次排列。
-
-
结果：
tensor([[[2, 3, 5]], [[9, 0, 2]], [[4, 5, 9]], [[3, 6, 4]]])
-
形状：
(4, 1, 3)。-
第0维（矩阵数量）：4（拼接后的矩阵数量）。
-
第1维（行数）：1。
-
第2维（列数）：3。
-
-
沿
dim=1拼接
dim1 = torch.cat((tensor_5, tensor_6), dim=1)
-
拼接维度：
dim=1是每个矩阵的行方向。 -
拼接过程：
-
第一个矩阵：
-
tensor_5的第0行[2, 3, 5]和tensor_6的第0行[4, 5, 9]拼接为：[[2, 3, 5],[4, 5, 9]]
-
-
第二个矩阵：
-
tensor_5的第0行[9, 0, 2]和tensor_6的第0行[3, 6, 4]拼接为：[[9, 0, 2],[3, 6, 4]]
-
-
-
结果：
tensor([[[2, 3, 5],[4, 5, 9]], [[9, 0, 2],[3, 6, 4]]])
-
形状：
(2, 2, 3)。-
第0维（矩阵数量）：2。
-
第1维（行数）：2（拼接后的行数）。
-
第2维（列数）：3。
-
=>多维拼接总结
-
拼接维度：
dim参数决定了拼接的方向。 -
张量的形状：拼接时，除了拼接维度外，其他维度的大小必须一致。
-
dim=0：沿着最外层维度拼接，增加矩阵的数量。
-
dim=1：沿着行方向拼接，增加行数。
-
dim=2：沿着列方向拼接，增加列数。
(3)节省内存
尽量进行原地操作，节省内存开销
before = id(X) X += Y id(X) == before
1.
id(X)的含义id(X)返回变量X所指向的对象的内存地址。如果X的内容被修改，但变量X仍然指向同一个对象，那么id(X)的值不会改变。2. 原地操作（In-place Operations）
在 Python 中，某些操作会直接修改对象的内容，而不是创建一个新的对象。例如：
-
X += Y是一个原地操作，它会直接修改X的内容，而不是创建一个新的对象。
-
原地操作：
X += Y是原地操作，它直接修改了X的内容，而不是创建新的对象。 -
id() 的稳定性：由于
X的内存地址没有改变，id(X)的值在操作前后保持一致。 -
Python 的内存管理：Python 的内存管理机制允许某些操作直接修改对象的内容，而不是创建新的对象，这有助于节省内存和提高效率。
如果使用非原地操作（例如
X = X + y），结果会有所不同：Python复制
before = id(X) X = X + Y id(X) == before # 这将返回 False
在这种情况下，
X = X + Y会创建新的对象，并将X指向这个新对象。因此，id(X)的值会发生变化。（3）Numpy数组
NumPy（Numerical Python）数组是 Python 中用于高效数值计算的核心数据结构。它是 NumPy 库的基础，提供了多维数组对象（
ndarray）和一系列操作这些数组的工具。A = X.numpy() B = torch.tensor(A) type(A), type(B)
-
2.数据预处理
将工作目录改为D盘的目录
os.getcwd()
'C:\Users\aospr'
target_dir = r"D:\深度学习\数据demo"
os.chdir(target_dir)
os.getcwd()
'D:\深度学习\数据demo'
解决将NaN填充成平均值的bug:
inputs = inputs.fillna(inputs.mean(numeric_only=True)) # 计算均值，只对数值列生效
