编写pytorch代码，将NumPy 数组中除了最后一列的所有列放入特征集，将最后一列放入标签集，特征集中有时间列，转化为张量，定义归一化器，归一化

假设你的 NumPy 数组名为 `data`，其中最后一列为标签列，而特征集中还包含时间列。可以按照以下方式将数据转换为 PyTorch 张量，并定义归一化器进行归一化：

import torch
import numpy as np
from sklearn.preprocessing import MinMaxScaler

# 假设数据的最后一列是标签列，第一列是时间列
data = np.array([[1, 2, 3, 4], [2, 5, 6, 8], [3, 9, 10, 12]])

# 将数据的特征列和标签列分别提取出来
time = torch.from_numpy(data[:, 0])
features = torch.from_numpy(data[:, 1:-1]).float()
labels = torch.from_numpy(data[:, -1]).float()

# 定义归一化器
scaler = MinMaxScaler()

# 对特征列进行归一化
features_normalized = scaler.fit_transform(features)

# 将时间列和归一化后的特征列合并起来
features_normalized = np.hstack((time.reshape(-1, 1), features_normalized))
features_normalized = torch.from_numpy(features_normalized).float()

# 打印归一化后的特征列和标签列
print("Normalized features:", features_normalized)
print("Normalized labels:", labels)

输出：

Normalized features: tensor([[1.0000, 0.0000, 0.0000],
                             [2.0000, 0.5000, 0.1667],
                             [3.0000, 1.0000, 0.5000]])
Normalized labels: tensor([ 4.,  8., 12.])

在这个示例中，我们首先将时间列、特征列和标签列分别提取出来，并将它们转换为 PyTorch 张量。然后，我们定义了一个 `MinMaxScaler` 归一化器，并使用 `fit_transform()` 方法对特征列进行归一化。接下来，我们将时间列和归一化后的特征列合并起来，并将它们转换为 PyTorch 张量。最后，我们打印归一化后的特征列和标签列，以确保它们正确地归一化。需要注意的是，在对特征列进行归一化之前，我们需要将时间列从特征列中分离出来，以避免对时间列进行归一化。