持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第4天，点击查看活动详情

1.环境及要求

我们的运行环境是在jupyter中，有用到pandas库，torch框架，如果说没有pandas库可以在相应环境下输入指令pip install pandas进行下载安装。

2.创建csv文件

data_file=os.path.join(r'E:\360MoveData\Users\12079\Desktop\数据集\csv','data','wangba_price.csv')
with open(data_file,'w') as f:
    f.write('Name,distance,price\n')#列名
    f.write('mumu,2KM,3\n')#样本
    f.write('qianfeng,0.5KM,4\n')
    f.write('luoluo,4KM,2.5\n')
    f.write('zhanshen,1.5KM,2\n')

这里我们创建一个csv文件，存储网吧名称、距离和价格，在这里我们需要注意一点就是在In[15]的第一行和第二行代码中可能存在的报错，在要保存的路径前要加上一个字母r，原因是因为在Python中\是转义符，\E表示其后是UNICODE编码，因此这里会报错，字符串前面加个 r（rawstring  原生字符串） ，可以避免python与正则表达式语法的冲突！

这样我们的一个CSV文件就创建好了，然后我们打开它，会显示出我们刚刚所输入的数据，但是可以发现有些没有输入的数据它会显示为NaN,所代表的意思就是缺失值。

3.缺失值处理

通常情况下，我们处理缺失数据的方法主要有两种一种是插值，一种是删除，在这里我们使用插值的方法对缺失值进行处理。

#缺失值处理
a=data.iloc[:,0:2]#我们定义的CSV文件是四行三列的，这里我们取全部的行和前两列
b=data.iloc[:,1]#取所有行所有列
a=a.fillna(0)
print(a)

在这里我们将缺失值全部换成0，这样所有的量都变成了数值，就可以进一步转换成torch中的张量了。对于a中的类别值或者其他的离散值，我们可以将NaN视为同一个类别。现在a和b中的所有条目都是数值类型，它们就可以顺利转换成张量的模式了。

4.线性代数

对于线性代数的学习只需了解一些基本的规则和应用。比如M行N列矩阵的转置,对称矩阵的转置等于它自己。

我们对特定轴进行求和，对于一个五行四列的矩阵，axis等于0的时候我们是对行进行操作，当axis等于1的时候我们是对列进行操作。在In[62]中我们可以看到结果是一个长为4的一个向量。也可以对特定的维度之间进行求和操作如In[64]。

5.总结

    1.这样转换会使得数值变得稀疏，本来一组的元素会变成很多很多的向量，这就需要一个稀疏矩阵来做存储。
    2.整个深度学习都要用张量来表示，深度学习跟数学有着密切的关系，统计学家偏向于使用张量。
    3.copy和clone是存在很大区别的，copy只是浅复制，而clone是一定会复制内存
    4.pandas软件包是Python中常用的数据分析工具中，pandas可以与张量兼容。
    5.用pandas处理缺失的数据时，我们可根据情况选择用插值法和删除法。