jupyterlab学习记录——基于pandas的数据预处理和基于torch的线性代数

创建数据集

import os #导入os类

os.makedirs(os.path.join(‘..’,’data’,exsit_ok =True)) #创建文件夹

data_file=os.path.join(‘..’,’data’,’house_tiny.csv’) #创建csv文件

with open(data_file,’w’) as f: #写入数据

    f.write(‘Numrooms,Alley,Price\n’) #列名

    f.write(‘3,NA,149999\n’) #每行数据

读取数据集

import pandas as pd #导入pandas类

data = pd.read_csv(data_file) #读取数据集文件

print(data) #打印数据

处理缺失值

data.iloc() #位置索引拆分

pd.get_dummies() #数值化NaN

转换为张量

import torch #导入torch类  

X,y = torch.tensor(inputs.values),torch.tensor(outputs.values) #将inputs和outputs转换为张量格式

张量的长度

import torch

x=torch.tensor([0,1,2,3]) #创建张量

len(x) #张量长度，与之对应还有numel(x)

张量运算

x=torch.arange(20).reshape(5,-1) #生成5×4文件

x.T #x的转置

x.clone() #复制x

A=torch.arange(20).reshape(5,4) #创建5×4张量

A_sum_axis0=A.sum(axis=0) #张量沿着行方向降维求和

A_sum_axis1=A.sum(axis=1) #张量沿着列方向降维求和

A．mean() #对张量元素求平均

A.sum()/A.numel() #与mean等效

x=torch.tensor([0,1,2,3])

y=torch.tensor([1,1,1,1])

torch.dot(x,y) #张量点乘：对应元素相乘后相加

torch.mv(A,x) #张量矩阵向量积（矩阵-向量积乘法）

torch.mm(A,B) #张量矩阵-矩阵乘法

范数

u=torch.tensor([3,-4]) #创建张量

torch.norm(u) #求张量的L2范数，结果为5

torch.abs(u).sum() #求张量的L1范数，结果为7