（十四）先分组，再用 NumPy 拟合预处理
1. 字段顺序、类型与形状
FEATURES 同时服务于读取、元数据和预测检查。按 minutes、sessions 排列，240 行得到 x.shape=(240,2)，目标保持 y.shape=(240,1)。沿用上一章的 float32，让 NumPy 数组与模型参数类型相同。
# 项目文件：model_project/src/modeldelivery/data.py
import csv
from dataclasses import dataclass
import hashlib
from pathlib import Path
import numpy as np
FEATURES = ["minutes", "sessions"]
@dataclass
class Prepared:
x: np.ndarray
y: np.ndarray
splits: dict
scaler: dict
source_hash: str
def prepare(path, seed=7):
path = Path(path)
with path.open(encoding="utf-8", newline="") as source:
rows = list(csv.DictReader(source))
if len(rows) < 10:
raise ValueError("训练数据不足十条，请检查输入文件")
try:
# 按固定列序构造二维数组，让训练与推理解释相同的特征。
x = np.asarray(
[[float(row[name]) for name in FEATURES] for row in rows], dtype=np.float32
)
y = np.asarray([[float(row["pages"])] for row in rows], dtype=np.float32)
except (KeyError, TypeError, ValueError) as error:
raise ValueError("CSV 需要 minutes、sessions、pages 三列数值") from error
if not np.isfinite(x).all() or not np.isfinite(y).all() or (x <= 0).any():
raise ValueError("输入需要有限数值，分钟数和次数应大于零")np.isfinite() 检查每个元素是不是普通有限数值。CSV 缺列、出现无法转换的文本或无穷数时，准备数据阶段就指出问题；没有开始发布版本。hashlib.sha256 对原 CSV 文件的字节计算摘要，记录这次训练究竟读取了哪份输入。
2. 训练组决定缩放，其他组沿用
# 续写同一文件：model_project/src/modeldelivery/data.py
# NumPy 先决定原始样本分组，任何统计量都在划分之后计算。
order = np.random.default_rng(seed).permutation(len(x))
a, b = int(len(x) * 0.6), int(len(x) * 0.8)
splits = dict(zip(["train", "val", "test"], [order[:a], order[a:b], order[b:]]))
train_x, train_y = x[splits["train"]], y[splits["train"]]
scaler = {
"x_mean": train_x.mean(0, keepdims=True),
"x_scale": np.maximum(train_x.std(0, keepdims=True), 1e-6),
"y_mean": train_y.mean(0, keepdims=True),
"y_scale": np.maximum(train_y.std(0, keepdims=True), 1e-6),
}
return Prepared(
((x - scaler["x_mean"]) / scaler["x_scale"]).astype(np.float32),
((y - scaler["y_mean"]) / scaler["y_scale"]).astype(np.float32),
splits,
scaler,
hashlib.sha256(path.read_bytes()).hexdigest(),
)先用 default_rng(seed).permutation() 得到不重复的下标顺序，再分成 144、48、48 条。只有 train_x 和 train_y 参与均值与标准差计算；验证和测试组使用相同变换。keepdims=True 保留 (1,2) 或 (1,1)，减法和除法沿行广播。某列标准差很小时取 1e-6，避免除以零。
与上一章对照时注意实际的分组方法：这里先由 NumPy 决定下标，再交给 PyTorch。保存 splits.json 后，可以直接检查每组包含哪些原始行。测试还会把验证组分钟数改为很大的值，再核对训练统计量没有改变。
