### 将CSV文件转换为PyTorch张量 为了将CSV文件中的数据转换为PyTorch张量，通常先利用 `pandas` 库加载CSV文件的内容至DataFrame对象中[^1]。一旦数据被成功载入内存之后，则可以通过NumPy数组作为中介形式，因为PyTorch支持直接从NumPy数组创建张量。 以下是具体实现方法： #### 导入库 ```python import pandas as pd import torch from sklearn.model_selection import train_test_split ``` #### 加载CSV文件 假设有一个名为 `'data.csv'` 的文件路径存储于变量 `file_path` 中: ```python df = pd.read_csv(file_path, encoding='utf-8') print(df.head()) # 查看前几行确认数据已正确加载 ``` #### 数据预处理 对于非数值型特征或缺失值等问题，在此阶段应该解决。这里简化处理流程，仅展示基本操作： ```python # 假设最后一列为标签列，其余均为特征列 X = df.iloc[:, :-1].values # 特征矩阵 y = df.iloc[:, -1].values # 标签向量 ``` #### 转换为PyTorch Tensor 现在可以将这些numpy数组轻松地转化为PyTorch张量： ```python tensor_X = torch.tensor(X, dtype=torch.float32) tensor_y = torch.tensor(y, dtype=torch.long) # 或者更简洁的方式如下所示： # tensor_X = torch.from_numpy(X).float() # tensor_y = torch.from_numpy(y).long() ``` #### 创建Dataset与Dataloader (可选) 如果计划用于训练神经网络模型，建议进一步封装成 PyTorch 的 Dataset 和 DataLoader 类实例以便后续使用 mini-batch 训练模式： ```python class CustomDataset(torch.utils.data.Dataset): def __init__(self, X_tensor, y_tensor): self.X = X_tensor self.y = y_tensor def __getitem__(self, index): return self.X[index], self.y[index] def __len__(self): return len(self.X) dataset = CustomDataset(tensor_X, tensor_y) dataloader = torch.utils.data.DataLoader(dataset=dataset, batch_size=32, shuffle=True) ``` 通过上述步骤即可完成从 CSV 文件到可用于 PyTorch 模型输入的数据结构的转变过程[^4]。