使用IO.py读取/输出文件：
import IO
# readData()读取文件
# 支持csv,h5（返回的是pandas的DataFrame格式）
# 支持npy,bin（返回np.array格式)
例如：
a = IO.readdata(path)
# 输出（写入）文件
# 支持bin,npy（要求data为np.array)
# 支持csv（要求data为pandas的DataFrame）
# 最好存为npy格式
例如：
IO.writeData(path, data, name = "...", fileType = 'npy')
使用washData.py来清洗数据：
import washData as wd
# filterOfNan(): 过滤出数据中的'nan',若某条数据中出现过两次以上（包括两次），就进行标记（在最后一个维度标记为'1'）。
例如：
d = wd.filterOfNan(data)
# 其中data为数据矩阵，其格式为pandas.DataFrame()
# encodeTheClass(): 将输入数据的某一列内类别编码成代数形式。
例如：
d = wd.encodeTheClass(data, col = 3)
# 其中data为numpy.array, col为你想编码的data中的某一列的列数
# col = 3 表示编码第四列
# 返回的为编码后的data矩阵
# val2DiscreteArr(): 将一列数据的代数形式转化为one-hot形式。
如：[1,2,3,4,5,6]
1->100000
2->010000
...
6->000001
例如：
d = val2DiscreteArr(colData)
# 其中colData为一列代数数据
# 返回值为one-hot矩阵
# delMarkedData(): 根据索引删除数据中的某些条目
例如：
d = delMarkedData(data, markedIndex, col)
# 其中data为源数据
# markedIndex为一列索引数据
# col为索引在data查找的列号
# 返回值为处理完毕的data数据
# processTime(): 为处理时间值的数据，从时间信息中提取小时值，并将值落在24小时的某个区间内
例如：
d = processTime(timeCol, num = 6)
# 其中timeCol为包含时间信息的数组
# num为将24小时划分的区间的个数
# 返回值为处理好的时间数组
使用fileOp.py来对文件夹或者数据进行操作：
# file_name(): 获取目录下所有文件的文件名
# 只支持一级目录
例如：
fileNames = file_name(path)
# path为一级目录
# 返回值为包含文件名的列表
# splitData(): 将数据等分为多个batch
例1：
batchs = splitData(data, num = 10)
# 以上是直接读取数据的方法
# data为numpy.array
# num为你将数据切分成的份数
例2：
batchs = splitData(path, num = 10)
# 以上为从硬盘读取数据的方法
# path为文件路径
# num同上
# 返回值为由一批切分好的数据所组成的列表