pytorch代码，读取5维数据集data.csv，转换为np格式，前4列是特征数据集，最后一列是标签数据集，将其按0.7：0.2：0.1的比例划分为测试集，验证集和测试集

以下是一个将5维CSV文件转换为NumPy数组并划分为训练集、验证集和测试集的示例代码。假设您的CSV文件名为`data.csv`，有五列数据，前四列是特征数据，最后一列是标签数据：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split

# 读取CSV文件
df = pd.read_csv('data.csv')

# 将输入和目标数据分别存储在NumPy数组中
features_np = df.iloc[:, :4].to_numpy()
labels_np = df.iloc[:, 4].to_numpy()

# 划分数据集为训练集、验证集和测试集
X_train, X_test, y_train, y_test = train_test_split(features_np, labels_np, test_size=0.2, random_state=42)
X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.125, random_state=42)

# 打印数据集大小
print("训练集大小:", X_train.shape, y_train.shape)
print("验证集大小:", X_val.shape, y_val.shape)
print("测试集大小:", X_test.shape, y_test.shape)

在这个例子中，我们使用了Pandas库的`read_csv()`方法来读取CSV文件，并将其存储在名为`df`的数据框中。然后，我们使用`.iloc[]`方法将数据框中的前四列（即特征数据）和最后一列（即标签数据）分别存储在名为`features_np`和`labels_np`的NumPy数组中。接下来，我们使用scikit-learn库的`train_test_split()`方法将数据集按照0.7:0.2:0.1的比例划分为训练集、验证集和测试集。最后，我们打印出各个数据集的大小。