数据预处理，线代

数据预处理作业---去除缺失值最多的列

data = data.drop(pd.isna(data).sum(axis=0).idxmax(), axis=1)

具体为

def drop_col(m):
num = m.isna().sum() #获得缺失值统计信息
num_dict = num.to_dict() #转为字典
max_key =max(num_dict,key=num_dict.get) #取字典中最大值的键
del m[max_key] #删除缺失值最多的列
return m

drop_col(data)

线性代数

len()函数---[访问张量的长度]

if  A.shape=torch.Size([2, 3, 4])  =>  len(A)=2

降维求和，平均

按行列求和---A.sum(axis=0)，B.sum(axis=1)

                      A.mean(axis=0)，B.mean(axis=1)

A.sum(axis=[0,1,2])=A.sum()#在轴0，1，2上求和

非降维求和

A.sum(axis=1,keepdims=True) #可以保持轴数，方便之后通过广播处理A

点积

torch.sum(x*y)#x，y为向量

矩阵向量积

矩阵A和向量x调用torch.mv(A, x)时，会执行矩阵‐向量积。注意，A的列维数（沿轴1的长度）必须与x的维数（其长度）相同

矩阵乘法

torch.mm(A, B)

范数

一般范数

L2范数---torch.norm(u)#根下平方值和

L1范数---orch.abs(u).sum()#绝对值和

F范数

torch.norm(torch.ones((4, 9)))

在深度学习中，我们经常试图解决优化问题：最大化分配给观测数据的概率; 最小化预测和真实观测之间的 距离。用向量表示物品（如单词、产品或新闻文章），以便最小化相似项目之间的距离，最大化不同项目之间 的距离。目标，或许是深度学习算法最重要的组成部分（除了数据），通常被表达为范数。