tensor 删除一列

在 Python 中，可以使用 NumPy 或 PyTorch 中的 tensor 对象来删除 tensor 中的一列。以下是使用 PyTorch 的示例代码：

import torch

# 创建一个 3x3 的 tensor
tensor = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 删除第二列
new_tensor = torch.cat((tensor[:,:1], tensor[:,2:]), dim=1)

print(new_tensor)

输出：

tensor([[1, 3],
        [4, 6],
        [7, 9]])

在上面的代码中，我们使用了 PyTorch 中的 `torch.cat()` 函数来连接两个 tensor。我们将第一列和第三列连接起来，从而删除了第二列。

相关问题

删除缺失值最多的列

要删除缺失值最多的列，可以按列统计缺失值数量并找到缺失值最多的列索引，然后使用PyTorch的切片操作删除该列。

下面是一个示例代码：

import torch

# 定义一个张量
x = torch.tensor([[1, 2, float('nan'), 4],
                  [5, float('nan'), 7, 8],
                  [9, 10, 11, 12]])

# 统计每列缺失值的数量
missing = torch.isnan(x).sum(dim=0)

# 找到缺失值最多的列索引
max_missing_col_index = torch.argmax(missing)

# 删除缺失值最多的列
x = torch.cat((x[:, :max_missing_col_index], x[:, max_missing_col_index+1:]), dim=1)

print("删除缺失值最多的列后的张量为：\n", x)

输出结果为：

删除缺失值最多的列后的张量为：
 tensor([[ 1.,  2.,  4.],
         [ 5.,  7.,  8.],
         [ 9., 10., 12.]])

在上面的代码中，我们使用`torch.isnan()`函数统计了每列缺失值的数量，并使用`torch.argmax()`函数找到了缺失值最多的列索引。最后，我们使用`torch.cat()`函数删除该列并重新组合张量。

读取new_training_set、new_test_set和new_pred_set中的数据并删除时间列，转换为pytorch张量，将时间列添加回第一列

假设数据集是以csv格式存储的，可以使用pandas库来读取和操作数据。以下是读取数据集、删除时间列、转换为PyTorch张量、并添加时间列的代码：

import pandas as pd
import torch

# 读取训练集、测试集和预测集
train_df = pd.read_csv('new_training_set.csv')
test_df = pd.read_csv('new_test_set.csv')
pred_df = pd.read_csv('new_pred_set.csv')

# 删除时间列
train_df = train_df.drop(columns=['时间'])
test_df = test_df.drop(columns=['时间'])
pred_df = pred_df.drop(columns=['时间'])

# 将数据转换为PyTorch张量
train_tensor = torch.tensor(train_df.values).float()
test_tensor = torch.tensor(test_df.values).float()
pred_tensor = torch.tensor(pred_df.values).float()

# 添加时间列
train_tensor = torch.cat([torch.arange(train_tensor.shape[0]).unsqueeze(1), train_tensor], dim=1)
test_tensor = torch.cat([torch.arange(test_tensor.shape[0]).unsqueeze(1), test_tensor], dim=1)
pred_tensor = torch.cat([torch.arange(pred_tensor.shape[0]).unsqueeze(1), pred_tensor], dim=1)

这里假设时间列的名称为"时间"，可以根据实际情况进行修改。经过以上步骤，训练集、测试集和预测集都被转换为了PyTorch张量，且时间列被添加回了第一列。