导入excel数据用weightedrandomsampler采样后输出采样的数据

以下是一个示例代码，演示了如何使用PyTorch中的WeightedRandomSampler从Excel文件中加载数据，并输出采样的数据。

import torch
import pandas as pd
from torch.utils.data import Dataset, DataLoader, WeightedRandomSampler

class MyDataset(Dataset):
    def __init__(self, csv_file):
        self.data = pd.read_csv(csv_file)
        
    def __len__(self):
        return len(self.data)
    
    def __getitem__(self, idx):
        # 这里假设数据格式为：[样本特征1, 样本特征2, ..., 样本特征N, 样本类别]
        sample = self.data.iloc[idx]
        features = sample[:-1].values
        label = sample[-1]
        return torch.tensor(features).float(), torch.tensor(label).long()

# 加载数据集
dataset = MyDataset('data.csv')

# 定义每个类别的权重
class_weights = [1.0, 2.0]

# 使用WeightedRandomSampler进行采样
sampler = WeightedRandomSampler(weights=class_weights, num_samples=len(dataset), replacement=True)
dataloader = DataLoader(dataset, batch_size=4, sampler=sampler)

# 输出采样的数据
for batch_idx, (data, target) in enumerate(dataloader):
    print('Batch {} - data: {}, target: {}'.format(batch_idx, data, target))

在上面的示例代码中，我们首先定义了一个`MyDataset`类，用于从Excel文件中加载数据。然后，我们定义了每个类别的权重，并使用`WeightedRandomSampler`进行采样。最后，我们遍历`DataLoader`对象，输出采样的数据。请注意，在`WeightedRandomSampler`中，参数`weights`应该是一个Python列表，其中每个元素对应一个类别的权重。在我们的示例中，我们假设有2个类别，因此该列表包含2个元素，第一个元素对应第一个类别的权重，第二个元素对应第二个类别的权重。