pytorch代码，读取数据集data.csv，将数据集去除最后一列放入特征集，将数据集的最后一列放入标签集，转换为np格式，保存为csv文件，将特征集、标签集按0.7：0.3的比例分为训练集和测试集，再将测试集按0.2：0.1的比例分为验证集和预测集

好的，这里是用 PyTorch 读取、处理数据集并划分训练集、验证集和测试集的代码：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split

# 读取数据集
data = pd.read_csv('data.csv')

# 取出特征集和标签集
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 转换为 numpy 格式并保存为 csv 文件
np.savetxt("features.csv", X, delimiter=",")
np.savetxt("labels.csv", y, delimiter=",")

# 划分训练集、验证集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 再将测试集划分为验证集和预测集
X_val, X_pred, y_val, y_pred = train_test_split(X_test, y_test, test_size=0.2, random_state=42)

这里用了 pandas 读取 csv 文件，然后用 numpy 取出特征集和标签集，并将它们保存成 csv 文件。最后用 scikit-learn 的 train_test_split 函数划分训练集、验证集和测试集，并将测试集再次划分为验证集和预测集。