使用pytorch写一段关于csv表格数据的小样本采样代码，其中数据集中有12列不同数据

在PyTorch中直接操作CSV文件并不是常见的方式，因为它是深度学习框架，更适合处理Tensor数据而不是CSV数据。然而，你可以先将CSV数据读取到pandas DataFrame中，对DataFrame进行处理后再转换为Tensor。下面是一个小样本的Python代码示例，展示了如何从CSV文件中读取数据，随机采样，以及转换为PyTorch张量：

import pandas as pd
import torch
from sklearn.model_selection import train_test_split

# 1. 读取CSV数据
data_df = pd.read_csv('your_dataset.csv')  # 替换 'your_dataset.csv' 为你的CSV文件路径
print(data_df.head())  # 查看数据头信息

# 假设你有12列数据，第0列是标签列
features = data_df.iloc[:, 1:]  # 所有特征
labels = data_df.iloc[:, 0]     # 标签

# 2. 数据预处理和采样
# 将DataFrame转换为numpy数组，方便后续操作
features_array = features.values
labels_array = labels.values

# 划分训练集和测试集，比如80%训练，20%测试
X_train, X_test, y_train, y_test = train_test_split(features_array, labels_array, test_size=0.2, random_state=42)

# 将numpy数组转换为PyTorch Tensor
X_train_tensor = torch.tensor(X_train, dtype=torch.float32)
y_train_tensor = torch.tensor(y_train, dtype=torch.long)
X_test_tensor = torch.tensor(X_test, dtype=torch.float32)
y_test_tensor = torch.tensor(y_test, dtype=torch.long)

# 3. 存储数据以便后续使用
train_data = (X_train_tensor, y_train_tensor)
test_data = (X_test_tensor, y_test_tensor)