编写pytorch代码，读取时序数据集dataset，将数据集中的特征名删除，将数据集通过滑动窗口划分法划分为训练集、验证集和测试集比例为0.7：0.2：0.1

好的，我可以为您提供参考代码，如下所示：

import torch
from torch.utils.data import DataLoader, Dataset
from sklearn.model_selection import train_test_split
import numpy as np

class TimeSeriesDataset(Dataset):
    def __init__(self, data):
        self.data = data[:, :-1]
        self.target = data[:, -1]

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        return self.data[idx], self.target[idx]

def sliding_window_split(data, train_ratio=0.7, val_ratio=0.2, test_ratio=0.1, window_size=10, stride=1, random_state=42):
    data = np.array(data)
    X = []
    y = []
    for i in range(0, len(data) - window_size + 1, stride):
        X.append(data[i:i+window_size])
        y.append(data[i+window_size-1][-1])
    data = np.column_stack((np.array(X), np.array(y)))
    train_data, test_data = train_test_split(data, test_size=test_ratio, random_state=random_state)
    train_data, val_data = train_test_split(train_data, test_size=val_ratio/(train_ratio+val_ratio), random_state=random_state)
    train_dataset = TimeSeriesDataset(train_data)
    val_dataset = TimeSeriesDataset(val_data)
    test_dataset = TimeSeriesDataset(test_data)
    train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
    val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False)
    test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)
    return train_loader, val_loader, test_loader

其中，`TimeSeriesDataset` 类用于读取时序数据集，同时将数据集中的特征名删除。`sliding_window_split` 函数则是根据滑动窗口划分法将数据集划分为训练集、验证集和测试集，并返回三个 `DataLoader` 对象。其中，`train_ratio`、`val_ratio` 和 `test_ratio` 分别表示训练集、验证集和测试集所占比例，`window_size` 和 `stride` 分别表示滑动窗口的大小和步长，`random_state` 表示随机种子。

您可以根据自己的需求修改这些超参数，然后调用 `sliding_window_split` 函数即可。