1、GDAL，全称为Geospatial Data Abstraction Library，是一个开源库，允许通过命令行工具进行空间数据的读写。特别是其子项目OGR，提供了空间参考信息处理的功能。
2、GDAL，全称为地理空间数据抽象库，是一款功能强大的工具，支持众多栅格和矢量数据格式，诸如OGR矢量数据，已被ARCGIS、Google Earth等众多GIS产品广泛采用。其核心组件包括GDALMajorObject（元数据对象）、GDALDdataset（栅格波段集合）、GDALDriver（文件格式驱动）以及GDALDriverManager等。
3、GDAL（Geospatial Data Abstraction Library）是一个开源栅格空间数据转换库，支持各种文件格式，提供命令行工具进行数据转换和处理。OGR是GDAL的一个分支，支持矢量数据。功能与特征 OGR体系结构 GDAL下载地址 GDAL的下载地址为：gdal.org/download.html，选择1版本。
4、GDAL，全称为Geospatial Data Abstraction Library，是一个开源的C/C++库，广泛应用于GIS和遥感软件中，包括商业软件如ArcGIS和ENVI，以及开源工具GRASS、QGIS等。它融合了OGR和GDAL项目，OGR专注于矢量数据的解析，GDAL则主要负责栅格数据的读写，同时依赖PROJ.4库处理空间参考和投影转换。
1、torchvision是pytorch的计算机视觉工具包，包含以下三个模块：torchvision.transforms：提供常用的图像预处理方法。深度学习由数据驱动，数据的数量和分布对模型性能有决定性作用。因此，需要对数据进行预处理和数据增强，以提升模型的泛化能力。如图，一张原始图片经过数据增强后生成一系列数据，共64张图片。
2、PyTorch的transforms模块提供了丰富的图片预处理手段，让我们以实际操作为例来探索它们。首先，我们通过`transforms.Compose`对图片进行缩放，如`transforms.Resize（224， 224）`，以便后续操作。
3、图像预处理模块（transforms）transforms是PyTorch的图像预处理模块，包含了如标准化、裁剪、翻转、填充等一系列操作。在二分类任务中，常用的方法有Resize、RandomCrop、ToTensor、Normalize等，它们在RMBDataset的__getitem__方法中应用。
4、transforms在深度学习和神经网络训练中扮演关键角色，旨在调整输入数据以满足模型需求。这些工具通过实现特定的数据预处理步骤，简化了模型训练的过程。首先，环境和包引入是关键。这里涉及到PIL（Python Imaging Library）和opencv库，它们为图片读取提供支持，便于展示数据转换效果。
5、在PyTorch中，transforms模块是数据预处理的核心工具，它为各种类型的数据，如图像、文本和音频，提供了丰富的转换操作。主要分为两个类别：transforms.Compose和transforms模块本身。
6、PyTorch的torchvision库是一个专注于计算机视觉的图形工具，它与PyTorch深度学习框架紧密集成，提供了数据加载、模型结构和图像变换等功能。其中，transforms模块扮演了关键角色，它包含了诸如裁剪、旋转、翻转等常见的图片操作。在transforms中，我们有如CenterCrop、RandomCrop、RandomHorizontalFlip等实用工具。
Numpy是python的一种开源数值计算拓展，提供多维数组操作和大量数学函数。几乎所有数据分析师都利用Numpy的强大功能。在Python中，Numpy与Jupyter notebook结合使用，提供高效的数据处理能力。为了在Jupyter notebook中使用Numpy，首先需确保Python环境已安装。然后，通过终端安装Jupyter和Numpy。
算术运算与封装函数Numpy支持Python原生算术运算符，如加减乘除，并以封装函数形式提供，如add函数的 +。 绝对值与三角函数np.absolute和np.abs是Numpy的绝对值函数，可用于处理复数，计算复数的模。三角函数如cos、sin、tan及其逆运算也一应俱全。
在数据科学的世界里，Python的三大核心库——numpy、pandas和matplotlib，是进行高效数据处理与可视化的基石。本文旨在通过思维导图式的梳理，深入解析numpy这一基础库，涵盖其核心功能、数组操作、统计计算及高级应用，以帮助读者系统掌握numpy的使用技巧。
NumPy， Python的科学计算瑰宝，以其强大的数值处理能力和高效的数据操作吸引着众多数据分析爱好者。要深入探索，首先确保已通过pip安装了Jupyter和NumPy，只需在终端启动命令行，通过pip install jupyter numpy轻松搞定。然后，打开Jupyter Notebook，它将成为你的计算舞台。
二者在日常的数据分析中都发 挥着重要作用， 如果没有Numpy和Pandas的支持， 数据分 析将变得异常困难。但有时我们需要加快数据分析的速度，有什 么办法可以帮助到我们吗？ 给你介绍一下Numpy和Pandas函数， 这些高效的函数会令 数据分析更为容易、便捷。
几乎所有的Python数据分析师都充分利用NumPy的强大功能。安装Python库的方法：Windows：按下快捷键Win + R，输入cmd回车，进入命令行。Mac：启动终端。启动jupyter：在终端输入指令：jupyter notebook，指定jupyter启动的目录，对应浏览器上的目录。
1、Python学习笔记 - pandas Pandas库中的Series和DataFrame是数据处理的核心组件。Series是一种类似一维数组的对象，由数据值和标签（索引）组成，可以看作是带标签的数组。DataFrame则是表格型的数据结构，具有列索引和行索引，可以看作是由Series组成的字典，每个列可以有不同的数据类型。
2、Pandas 是 Python 下强大的数据分析工具，其功能强大且使用便捷，尤其在数据矩阵处理和计算上表现出色。Pandas 的名称结合了经济学术语“面板数据”和 Python 数据分析，旨在提供高级数据结构和精巧的工具。本文旨在详细总结 Pandas 在日常应用中的使用方法及一些技巧，由于内容丰富，计划分为数部分进行阐述。
3、Python的pandas库是数据处理的强大工具，尤其在数据导入（IO）方面，read_excel（）函数是其常用功能之一。本文主要介绍read_excel（）的使用和参数设置。read_excel（）函数概述Pandas的I/O操作函数以read_打头，read_excel（）是其中之一，它支持多种Excel文件格式，并能读取单个或多个工作表。
4、pd.date_range（）语法：直接生成DatetimeIndex。normalize：时间参数值正则化到午夜时间戳（这里最后就直接变成0：00：00，并不是具体的时分秒时间）。name：索引对象名称。closed参数：默认为None的情况下，左闭右闭，left则左闭右开，right则左开右闭。pd.bdate_range（）默认时间间隔为工作日。
5、Pandas是一个基于Python的开源库，旨在提供高性能和易用的数据结构与分析工具。其核心数据结构包括Series和DataFrame。Series是一个一维的容器，用于存储单列数据，可以是任何Python数据类型，如整数、字符串或浮点数。
该方法一般适用于：单侧缺失（一般是较早年份缺失，最近年份的数据一般比较齐全）。有位老师告诉我三次样条插值的方法，计算出来的缺失值较为平滑，结果可能相对合理。去查了一下matlab可以实现，不过只能下次处理数据的时候再实际操作了。
其次，理解缺失值的处理策略。策略包括删除、留置或填补。删除缺失值适用于缺失数据比例小或不影响分析结果的情况；留置保留缺失值作为数据的一部分，能揭示更多信息；填补缺失值通常采用均值、中位数、众数或特定数值，根据数据类型和分布选择最适宜方式。最后，考虑业务场景下的填补方法。
填补缺失值是数据分析中的常见问题，尤其是当数据集规模较小时，直接剔除数据可能导致信息损失。因此，采用缺失值填补技术是解决这一问题的有效方法。在 SPSS 中，有两种方法可供选择：【转换】菜单下的【替换缺失值】和【分析】菜单下的【缺失值分析】。
剔除缺失值可通过dropna（）实现，它可以删除包含缺失值的行或列。默认删除整行，但可通过设置axis参数来改变。也可以通过how或thresh参数指定删除条件，如删除所有或大部分缺失值的行或列。填充缺失值是通过fillna（）方法，可以使用单一值或前后值填充。在DataFrame操作中，需要指定坐标轴axis。
以邻近点的平均值为例，通过观察数据趋势，我们选择使用临近1年或2年的数据计算平均值，以更准确地填补缺失值。在设置中，SPSS会创建一个新的变量（如第三产业值_1），并自动计算平均值（本例中为11518，接近真实值1168）。