Tensor
-
- 在喂给模型前，必须将输入数据转为`NumPy数组`!
-
- [为什么喂给深度学习框架的数据集，在最后一步必须转为 np.array（NumPy数组）？](#为什么喂给深度学习框架的数据集，在最后一步必须转为 np.array（NumPy数组）？)
- [："Python 中使用 list 列表来表示数组的" ------ 这句话在科学计算的语境下是错误的。](#：“Python 中使用 list 列表来表示数组的” —— 这句话在科学计算的语境下是错误的。)
- [数据 | 数据类型流转全流程解析（从 DataFrame 到最终模型输入）](#数据 | 数据类型流转全流程解析（从 DataFrame 到最终模型输入）)
- 总
- ============
-
- [最终生成的特征数据 X 的形状是 (样本数, 时间步长, 特征数)shape，我们怎么推理/晓得的？](#最终生成的特征数据 X 的形状是 (样本数, 时间步长, 特征数)shape，我们怎么推理/晓得的？)
在喂给模型前，必须将输入数据转为NumPy数组!
为什么喂给深度学习框架的数据集，在最后一步必须转为 np.array（NumPy数组）？
- 框架
- 内存 计算
- 维度属性
："Python 中使用 list 列表来表示数组的" ------ 这句话在科学计算的语境下是错误的。
-
\] 定义的是 列表（List） **动态增删，且什么都能装**
在这里插入图片描述
总结区分：在整个预处理代码中，list（列表）扮演的是**"临时收集用的塑料袋"，而 NumPy Array 扮演的是"最终送入产线的标准集装箱"**。
数据 | 数据类型流转全流程解析（从 DataFrame 到最终模型输入）
数据类型流转全流程解析（从 DataFrame 到最终模型输入）
- 最初数据读取：df = pd.read_csv(...) 二维表
二维表。适合看，适合数据筛选，不能做矩阵计算。
- 读取后提取特征**&临时**收集数据记录 列表
seqs = [] # 或者写成 seqs = list()
for col in cols:
seq = df[col].values.reshape(-1, 1)
seqs.append(seq)
列表
df[col].values，此时我们是纯粹提取数值，我们不需要多数值也不能对数值（记录中的任何数据）做修改，且list列表恰好有这个特性（只可读性）。而且，Python 的 List 的 .append() 方法执行速度极快
总之，在中间处理数据时，用list列表做好不过了
- 压制成完整大矩阵 dataset = np.hstack((seqs)) 当前类型：NumPy 2D Array（完整的二维大矩阵）。
收集工作结束了。我们把装满 9 个独立列向量的"塑料袋（List）"倒出来，用 np.hstack 将它们横向焊死成一个完整、连续的矩阵内存块。此时数据不再是零散的了。
- 最终数据处理结束后，输入到模型前需要保存成/定型为
return np.array(X), np.array(y)当前类型：NumPy 3D Array (X) 和 NumPy 1D/2D Array (y)。
总
整个流程的底层逻辑是："需要频繁动态增加元素时，使用 Python List ([] 或 list())；需要执行数学组合操作或最终交付给模型时，转化为 NumPy Array。"
数据的类型确实在**随着处理目的的不同而不断切换**。============
最终生成的特征数据 X 的形状是 (样本数, 时间步长, 特征数)shape，我们怎么推理/晓得的？
- 特征数： 所有列？