对1.1西瓜数据集进行编码，构建数据集。

西瓜数据集通常是一个用于分类任务的示例数据集，它包含了一些关于西瓜质量的信息，如瓜藤长度、瓜重等特征，目标是预测西瓜是否适合售卖。进行编码的过程包括以下几个步骤：

1. **数据加载**：首先从合适的来源（比如本地文件、网络API或数据库）读取原始数据。如果数据是以CSV或Excel等格式存储，可以使用pandas库进行加载。

import pandas as pd
df = pd.read_csv('西瓜数据集.csv')

2. **预处理**：检查并处理缺失值，通常有几种策略可以选择，如删除含有缺失值的行、填充平均值或使用插值。对于类别型变量，需要转换为数值型编码，比如one-hot编码或标签编码。

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
df['瓜类'] = le.fit_transform(df['瓜类'])

3. **特征工程**：创建新的特征，如某些特征的组合，如果有必要的话，也可以标准化或归一化数值特征。

4. **划分数据集**：将数据集划分为训练集、验证集和测试集。常见的比例可能是80%训练集、10%验证集和10%测试集。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(df.drop('是否优质', axis=1), df['是否优质'], test_size=0.2)

5. **编码目标变量**：对于二元分类问题，目标变量通常是离散的，可以直接保存为数值形式（例如0表示非优质，1表示优质）。

6. **构建数据集实例**：使用NumPy或pandas的`to_numpy()`函数将数据转换成张量形式，通常适用于机器学习库（如scikit-learn、TensorFlow或PyTorch）。

X_train_array = X_train.values
y_train_array = y_train.values.reshape(-1, 1)
X_test_array = X_test.values
y_test_array = y_test.values.reshape(-1, 1)