【数据处理】

创建一个形状为（2，3，4）的张量，所有元素设置为1

一个形状为（3 ，4）的张量，其中每个元素从均值为0，标准差为1的标准高斯分布（正态分布）中随机采样

还可以通过提供保函数值的python列表（或嵌套列表），来为张量赋值，外侧列表对应轴0，内侧列表对应轴1

 

 运算符计算 

**运算符是求幂运算

按元素方式可以应用更多运算，包括求幂这样的一元运算符

 

 把多个张量连接在一起

dim轴为0是按行，轴为1是按列

张量中元素可以通过索引来访问，第一个元素索引为0，最后一个索引为-1，【1：3】是选择第二个和第三个元素

还可以通过指定索引来将元素写入矩阵

 

为多个元素赋予相同的值，【0：2，：】表示访问第一行和第二行，其中：表示沿轴1（列）的所有元素

 

节省内存，执行原地操作， 可以使用切片表示法将操作的结果分配给先前分配的数组，例如

我们创建一个新矩阵z，其形状和y相同，使用zeros_like来分配个全0的块

如果在后续计算中没有用到x，我们可以使用x【：】=x+y或x+=用来减少操作的内存开销

举一个例子，我们首先创建一个人工数据集，并存储在CSV（逗号分隔值）文件 ../data/house_tiny.csv中。 以其他格式存储的数据也可以通过类似的方式进行处理。 下面我们将数据集按行写入CSV文件中。

要从创建的CSV文件中加载原始数据集，我们导入pandas包并调用read_csv函数。该数据集有四行三列。其中每行描述了房间数量（“NumRooms”）、巷子类型（“Alley”）和房屋价格（“Price”）。

 

“NaN”项代表缺失值。 为了处理缺失的数据，典型的方法包括插值法和删除法， 其中插值法用一个替代值弥补缺失值，而删除法则直接忽略缺失值。 在这里，我们将考虑插值法。

通过位置索引iloc，我们将data分成inputs和outputs， 其中前者为data的前两列，而后者为data的最后一列。 对于inputs中缺少的数值，我们用同一列的均值替换“NaN”项。

报错

后将缺少值改为10可以

 查找后：

解决：