Dataset

• 是否需要自己定義：如果你使用的數據集不是 PyTorch 提供的標準數據集（如 MNIST、CIFAR-10 等），那么你需要繼承?torch.utils.data.Dataset?類并實現兩個方法：__len__()?和?__getitem__()。
• __len__()?應該返回數據集的總大小。
• __getitem__()?應該根據索引返回一個數據樣本。

DataLoader

• 是否需要自己定義：DataLoader?不需要自己定義，它是 PyTorch 提供的一個類，用于包裝?Dataset?并在數據集上提供迭代功能。它支持批量處理、打亂數據、多線程加載等。
• 使用?DataLoader?時，你可以指定批處理大小（batch_size）、是否打亂數據（shuffle）、數據加載的線程數（num_workers）等。

model定義【繼承nn.module父類】

forward：input--forward-->output

forward(self,x)中x表示輸入，即x->卷積->relu->卷積-->relu-->輸出

class HeightPredictor(nn.Module):def __init__(self):super(HeightPredictor, self).__init__()self.conv1 = nn.Conv2d(1,20,5)self.conv2 = nn.Conv2d(20,20,5)def forward(self, x):x = F.relu(self.conv1(x))return F.relu(self.conv2(x))

Dict

building_info = {}【dict,key--value】

這是一個字典（dictionary）的創建語句。在Python中，字典是一種可變的、無序的、鍵值對（key-value pairs）的集合。每個鍵（key）都是唯一的，且必須是不可變的類型（如字符串、數字或元組），而值（value）可以是任何類型的數據。字典通過鍵來訪問對應的值，提供了快速查找和插入的能力。

特殊：defaultdict:defaultdict是Python標準庫collections模塊中的一個類。defaultdict與普通字典類似，但它在創建時提供了一個默認工廠函數【比如defaultdict(list)：當訪問一個不存在的鍵時，defaultdict會自動為該鍵創建一個空列表作為默認值。】，當嘗試訪問一個不存在的鍵時，defaultdict會自動為該鍵創建一個默認值，而不會拋出KeyError。

整理csv

df = pd.read_csv(file_path, encoding="utf-8")#讀取csv

#根據某個屬性分組

area_bins = [0, 100, 200, 300, 400, np.inf]

area_labels = [f"{left}-{right}" if right != np.inf else f">{left}"

? ? ? ? ? ? ? for left, right in zip(area_bins[:-1], area_bins[1:])]

df['area_bins'] = pd.cut(df['area'], bins=area_bins, labels=area_labels)

methods = ["a","b"]

attributes = ['material', 'height_bin']

for attr in attributes:

? ? results = []

? ? for method in methods:

? ? ? ? ? ? Num_col = f"{method}_Num"

? ? ? ? ? ? predict_col = f"{method}_predict"

? ? ? ? ? ? if Num_col not in df.columns or predict_col not in df.columns:

? ? ? ? ? ? ? ? print(f"跳過 {method}，缺少必要列")

? ? ? ? ? ? ? ? continue

? ? ? ? ? ?

? ? ? ? ? ? valid_data = df[['true_Num', Num_col, predict_col, attr]].dropna()

? ? ? ? ? ? if valid_data.empty:

? ? ? ? ? ? ? ? print(f"{method} 在屬性 {attr} 下無有效數據")

? ? ? ? ? ? ? ? continue

? ? ? ? ? ?

? ? ? ? ? ? # 計算完整指標

? ? ? ? ? ? grouped = valid_data.groupby(attr).apply(

? ? ? ? ? ? ? ? lambda x: pd.Series({

? ? ? ? ? ? ? ? ? ? 'Ori_RMSE': np.sqrt(mean_squared_error(x['true_Num'], x[Num_col])),

? ? ? ? ? ? ? ? ? ? 'Pred_RMSE': np.sqrt(mean_squared_error(x['true_Num'], x[predict_col])),

? ? ? ? ? ? ? ? ? ? 'Ori_MAE': mean_absolute_error(x['true_Num'], x[Num_col]),

? ? ? ? ? ? ? ? ? ? 'Pred_MAE': mean_absolute_error(x['true_Num'], x[predict_col]),

? ? ? ? ? ? ? ? ? ? 'Group_Size': len(x),

? ? ? ? ? ? ? ? ? ? 'Sample_Optimized': np.sum(

? ? ? ? ? ? ? ? ? ? ? ? np.abs(x[Num_col] - x['true_Num']) >

? ? ? ? ? ? ? ? ? ? ? ? np.abs(x[predict_col] - x['true_height'])

? ? ? ? ? ? ? ? ? ? )

? ? ? ? ? ? ? ? })

? ? ? ? ? ? ).reset_index()

? ? ? ?

? ? ? ? grouped['method'] = method

? ? ? ? results.append(grouped)

? ?

? ? if not results:

? ? ? ? print(f"屬性 {attr} 無數據，跳過")

? ? ? ? continue

? ?

? ? # 合并結果

? ? combined_df = pd.concat(results, ignore_index=True)

? ?

? ? # 生成透視表

? ? pivot_df = combined_df.pivot(

? ? ? ? index=attr,

? ? ? ? columns='method',

? ? ? ? values=['Ori_RMSE', 'Pred_RMSE', 'Ori_MAE', 'Pred_MAE']

? ? )

? ?

? ? # 扁平化列名并填充NaN

? ? pivot_df.columns = [f"{method}_{metric}" for metric, method in pivot_df.columns]

? ? pivot_df = pivot_df.fillna(0)

? ?

? ? # 保存到CSV

? ? csv_path = os.path.join(output_dir, f"{attr}.csv")

? ? pivot_df.reset_index().to_csv(csv_path, index=False)

實現了分別對每個方法依據不同屬性評估的功能