TrustGeo代码理解（六）utils.py

代码链接：https://github.com/ICDM-UESTC/TrustGeo

一、导入常用库和模块

from __future__ import print_function
from distutils.version import LooseVersion
from matplotlib.scale import LogisticTransform
import numpy as np
import torch
import warnings
import torch.nn as nn
import random
import matplotlib.pyplot as plt
import copy

这段代码首先包含一些导入语句，接着进行一些版本和警告的处理，最后导入了一些常用的库（numpy、torch、matplotlib），并定义了一些常用的模块（nn，plt）。

1、from __future__ import print_function：这是为了确保代码同时在Python 2和Python 3中都能正常运行。在Python 2中，print是一个语句，而在Python 3中，print()是一个函数。通过这个导入语句，可以在Python 2中使用Python 3风格的print函数。

2、from distutils.version import LooseVersion：导入LooseVersion类，用于比较版本号。

3、from matplotlib.scale import LogisticTransform：导入了matplotlib库中的LogisticTransform类。LogisticTransform是matplotlib中用于对坐标轴进行变换的一个类。

4、import numpy as np：导入NumPy库，并用np作为别名。NumPy是一个用于科学计算的库，提供了数组等高性能数学运算工具。

5、import torch：：导入PyTorch库。PyTorch是一个深度学习框架，提供了张量计算和神经网络搭建等功能。

6、import warnings：导入warnings模块，用于处理警告。

7、import torch.nn as nn：导入PyTorch中的神经网络模块。

8、import random：导入Python的random模块，用于生成伪随机数。

9、import matplotlib.pyplot as plt：导入matplotlib库的pyplot模块，用于绘制图表。

10、import copy：导入Python的copy模块，用于复制对象。

二、warnings.filterwarnings(action='once')

设置了在使用warnings.filterwarnings时的参数。filterwarnings函数用于配置警告过滤器，以控制哪些警告会被触发，以及如何处理这些警告。

具体来说，action='once'表示警告信息只会被显示一次。这对于一些可能会频繁触发的警告而言是一种控制方式，以避免在控制台或日志中大量重复的警告信息。在第一次触发警告时，它会被显示，但在后续的同类警告中，将不再显示。

请注意，这个配置仅适用于在warnings模块中配置的警告，它并不会影响其他类型的警告或错误。

三、MaxMinLogRTTScaler类定义（NN模型）

class MaxMinLogRTTScaler():
    def __init__(self):
        self.min = 0.
        self.max = 1.

    def transform(self, data):
        data_o = np.array(data)
        data_o = np.log(data_o + 1)
        return (data_o - self.min) / (self.max - self.min)

这是一个最大最小归一化和对数变换的类，用于对输入数据进行预处理。这个类的实例可以用于对RTT（Round-Trip Time）等数据进行预处理，使其适用于某些需要输入在固定范围内的模型。

分为几个部分展开描述：

（一）init()

def __init__(self):
    self.min = 0.
    self.max = 1.

这是一个简单的类的初始化方法 __init__，主要功能是为类的实例对象设置初始属性值。

1、self.min = 0.: 创建一个实例变量 min 并将其设置为 0.，这里 0. 表示浮点型的零。
2、self.max = 1.: 创建一个实例变量 max 并将其设置为 1.，同样是浮点型的一。。

（二）transform()

def transform(self, data):
    data_o = np.array(data)
    data_o = np.log(data_o + 1)
    return (data_o - self.min) / (self.max - self.min)

这段代码的功能是将输入的数据进行对数转换，然后进行最小-最大归一化。这样的操作常用于将数据缩放到一个较小的范围，使其更适合训练或输入到某些机器学习模型中。

1、data_o = np.array(data)：将输入的data转换为NumPy数组，并将结果存储在data_o中。

2、data_o = np.log(data_o + 1)：对data_o中的每个元素取对数，这里使用的是自然对数（以e为底）。+ 1 是为了避免对0取对数。

3、return (data_o - self.min) / (self.max - self.min)：对处理后的数据进行归一化操作。self.min和self.max是归一化的范围，这两个值可能是预先计算得到的或者是通过其他方式确定的。这里使用的是最小-最大归一化方法，即减去最小值然后除以范围（最大值减最小值）。最终，函数返回归一化后的结果。

四、MaxMinRTTScaler类定义（NN模型）

class MaxMinRTTScaler():
    def __init__(self):
        self.min = 0.
        self.max = 1.

    def transform(self, data):
        data_o = np.array(data)
        # data_o = np.log(data_o + 1)
        return (data_o - self.min) / (self.max - self.min)

这是一个用于进行最大-最小缩放（Max-Min Scaling）的类。这种缩放方法用于将数据缩放到指定的范围，通常是[0, 1]。

分为几个部分展开描述：

（一）init()

def __init__(self):
    self.min = 0.
    self.max = 1.

类的初始化方法，初始化了最大值和最小值，这里默认将数据缩放到[0, 1]的范围。

（二）transform()

def transform(self, data):
    data_o = np.array(data)
    # data_o = np.log(data_o + 1)
    return (data_o - self.min) / (self.max - self.min)

这是一个简单的数据转换函数，用于对输入数据进行归一化操作。整体功能是将输入数据进行归一化处理，确保数据在训练模型时具有统一的尺度。

1、data_o = np.array(data)：将输入的数据 data 转换为NumPy数组，确保数据是数组形式。

2、# data_o = np.log(data_o + 1)：这一行是被注释掉的代码。通常，对数据进行对数变换是为了减小数据的尺度差异，使其更符合某些模型的假设。但在这里被注释掉了，没有被使用。

3、return (data_o - self.min) / (self.max - self.min)：对数据进行归一化操作。首先，从数据中减去最小值 self.min，然后除以数据范围（最大值 self.max 减去最小值 self.min）。这样可以将数据缩放到0到1的范围内。最终，函数返回归一化后的数据。

五、MaxMinLogScaler类定义（NN模型）

class MaxMinLogScaler():
    def __init__(self):
        self.min = 0.
        self.max = 1.

    def transform(self, data):
        data[data != 0] = -np.log(data[data != 0] + 1)
        max = torch.from_numpy(self.max).type_as(data).to(data.device) if torch.is_tensor(data) else self.max
        min = torch.from_numpy(self.min).type_as(data).to(data.device) if torch.is_tensor(data) else self.min
        data[data != 0] = (data[data != 0] - min) / (max - min)
        return data

    def inverse_transform(self, data):
        max = torch.from_numpy(self.max).type_as(data).to(data.device) if torch.is_tensor(data) else self.max
        min = torch.from_numpy(self.min).type_as(data).to(data.device) if torch.is_tensor(data) else self.min
        data = data * (max - min) + min
        return np.exp(data)

这是一个实现最大最小对数缩放（Max-Min Log Scaling）的类，主要用于处理数据的缩放和反缩放。该类的目的是确保数据在缩放和反缩放时能够得到合适的转换，避免由于极端值或零值导致的不稳定情况。

分为几个部分展开描述：

（一）init()

def __init__(self):
    self.min = 0.
    self.max = 1.

初始化方法，设置缩放的最小值和最大值，默认为 0 和 1。

（二）transform()

def transform(self, data):
    data[data != 0] = -np.log(data[data != 0] + 1)
    max = torch.from_numpy(self.max).type_as(data).to(data.device) if torch.is_tensor(data) else self.max
    min = torch.from_numpy(self.min).type_as(data).to(data.device) if torch.is_tensor(data) else self.min
    data[data != 0] = (data[data != 0] - min) / (max - min)
    return data

数据缩放方法。对于输入的数据 data，首先对非零元素取对数，然后进行最大最小缩放，将数据映射到 [0, 1] 的范围内。

1、data[data != 0] = -np.log(data[data != 0] + 1)：对数据中非零元素取对数的操作。首先，data != 0 会生成一个布尔掩码，表示数据中非零的位置。然后，对这些非零的元素执行 -np.log(data[data != 0] + 1)，将其取对数并取负值，最终将结果赋值给原数据中非零的位置。这个操作通常用于对数据进行对数缩放，可以使原始数据中的大数值范围缩小，便于模型训练。

2、max = torch.from_numpy(self.max).type_as(data).to(data.device) if torch.is_tensor(data) else self.max：将 self.max 转换为与输入数据 data 类型一致的张量，并移动到与输入数据相同的设备（GPU 或 CPU）。这里做了类型和设备的匹配以确保后续的操作在相同的环境下进行。

3、min = torch.from_numpy(self.min).type_as(data).to(data.device) if torch.is_tensor(data) else self.min：将 self.min 转换为与输入数据 data 类型一致的张量，并移动到与输入数据相同的设备。

4、data[data != 0] = (data[data != 0] - min) / (max - min)：对数据中非零元素进行归一化操作。首先，data[data != 0] 会获取数据中非零元素的数组。然后，对这些非零元素执行归一化操作，减去最小值 min 并除以范围 (max - min)。最终，将归一化后的值赋值给原数据中非零的位置。

（三）inverse_transform()

def inverse_transform(self, data):
    max = torch.from_numpy(self.max).type_as(data).to(data.device) if torch.is_tensor(data) else self.max
    min = torch.from_numpy(self.min).type_as(data).to(data.device) if torch.is_tensor(data) else self.min
    data = data * (max - min) + min
    return np.exp(data)

这段代码实现了一个反向变换（inverse transform）的函数，主要用于将经过某种归一化处理的数据反向还原到原始数据的范围。目的是将经过某种归一化处理的数据还原到原始的数值范围，以便进行后续的分析或应用。

1、max = torch.from_numpy(self.max).type_as(data).to(data.device) if torch.is_tensor(data) else self.max：将保存的最大值 self.max 转换为PyTorch张量，并确保其与输入数据 data 的数据类型一致。如果 data 是PyTorch张量，将张量移动到与 data 相