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，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。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
data = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

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

# 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: [[0.  0.  0. ]
                       [0.5 0.5 0.5]
                       [1.  1.  1. ]]
Normalized labels: tensor([ 4.,  8., 12.])

在这个示例中，我们首先将数据转换为 PyTorch 张量，并使用 `float()` 函数将数据类型转换为浮点型。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。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，标签列不需要归一化，因为它们通常是离散的，而归一化只适用于连续的特征列。