result = pd.value_counts(sel) print(t[sel])

时间: 2023-10-06 21:11:01 浏览: 109
PDF

pandas计数 value_counts()的使用

star5星 · 资源好评率100%
这段代码使用了 Pandas 库对一个 Series 进行值计数，并将结果保存在变量 `result` 中。`sel` 是一个布尔型的索引数组，用于筛选出需要计数的值。 `pd.value_counts(sel)` 会统计 `sel` 中不同值的出现次数，并返回一个包含计数结果的 Series 对象。 `print(t[sel])` 是打印出 `t` 中满足 `sel` 条件的值。`t` 可能是一个 DataFrame 或者 Series 对象，通过 `sel` 条件进行筛选后，打印出对应的数据。
阅读全文

相关推荐

py

用python的value_counts增加百分比

在dataframe中value_counts，只计算个数，现增加百分比和累计百分比
rar

Look-up-words.rar_look up

for word, count in total_word_counts.items(): print(f"{word}: {count}") if __name__ == "__main__": main() 这个程序会不断接收用户输入，直到用户输入"000"为止，然后输出所有单词及其出现次数。如果...

import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import confusion_matrix, classification_report, accuracy_score # 1. 数据准备 train_data = pd.read_csv('train.csv') test_data = pd.read_csv('test_noLabel.csv') # 填充缺失值 train_data.fillna(train_data.mean(), inplace=True) test_data.fillna(test_data.mean(), inplace=True) # 2. 特征工程 X_train = train_data.drop(['Label', 'ID'], axis=1) y_train = train_data['Label'] X_test = test_data.drop('ID', axis=1) scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) # 3. 模型建立 model = RandomForestClassifier(n_estimators=100, random_state=42) # 4. 模型训练 model.fit(X_train, y_train) # 5. 进行预测 y_pred = model.predict(X_test) # 6. 保存预测结果 df_result = pd.DataFrame({'ID': test_data['ID'], 'Label': y_pred}) df_result.to_csv('forecast_result.csv', index=False) # 7. 模型评估 y_train_pred = model.predict(X_train) print('训练集准确率：', accuracy_score(y_train, y_train_pred)) print('测试集准确率：', accuracy_score(y_test, y_pred)) print(classification_report(y_test, y_pred)) # 8. 绘制柱形图 feature_importances = pd.Series(model.feature_importances_, index=X_train.columns) feature_importances = feature_importances.sort_values(ascending=False) plt.figure(figsize=(10, 6)) sns.barplot(x=feature_importances, y=feature_importances.index) plt.xlabel('Feature Importance Score') plt.ylabel('Features') plt.title('Visualizing Important Features') plt.show() # 9. 对比类分析 train_data['Label'].value_counts().plot(kind='bar', color=['blue', 'red']) plt.title('Class Distribution') plt.xlabel('Class') plt.ylabel('Frequency') plt.show()

train_data['Label'].value_counts().plot(kind='bar', color=['blue', 'red']) plt.title('Class Distribution') plt.xlabel('Class') plt.ylabel('Frequency') plt.show() 这段代码会生成一个柱形图，展示...

test_by_count=pd.value_counts(y_test, sort= False) test_by_count.plot(kind= 'bar') plt.title('Bar chart') print(test_by_count)含义

这段代码的含义是：对测试集（y_test）进行值计数（value_counts），并按照出现顺序排序（sort=False）。然后绘制一个条形图（plot(kind='bar')），并给图表添加标题（plt.title('Bar chart')）。最后输出值计数的...

解释下列代码import pandas as pd from scipy.stats import chi2_contingency import warnings warnings.filterwarnings("ignore") # 读取Excel文件 df = pd.read_excel("大学生职业选择意向影响因素调查2.1合并.xlsx", sheet_name="Sheet1") # 对每一列进行频数计算 for col in df.columns: freq = df[col].value_counts() print(freq) freq_data = {} for col in df.columns: freq_data[col] = df[col].value_counts() # 将频数数据转换为DataFrame格式 freq_table = pd.DataFrame(freq_data) # 显示结果 print(freq_table) # 读取Excel表格数据 df = pd.read_excel("大学生职业选择意向影响因素调查2.1合并.xlsx", sheet_name="Sheet1") cols1 = df.columns[:25] cols2 = df.columns[25:28] results = [] # 对每一对列进行卡方分析 for col1 in cols1: for col2 in cols2: observed = pd.crosstab(df[col1], df[col2]) chi2, p, dof, expected = chi2_contingency(observed) results.append({'column1': col1, 'column2': col2, 'chi2': chi2, 'p': p}) # 输出结果 for result in results: print(result)

这段代码的作用是对读取的 Excel 文件进行数据分析。具体来说，它实现了以下功能： 1. 导入 pandas 和 scipy.stats 库，以及禁止警告输出 2. 读取 Excel 文件并将其转换为 pandas DataFrame 格式 ...

import pandas as pd df = pd.read_excel('stockdata.xlsx') freq = df['股票代码'].value_counts() print(freq)怎么运行不了

3. pd.read_excel() 函数中的参数不正确，例如文件格式不是 Excel 格式或者 sheet 名称不正确。 4. df['股票代码'] 中的列名不正确或者不存在。 你可以先检查以上几点，然后再运行代码。如果仍然无法运行，可以...

r1 = pd.Series(kmodel.labels_).value_counts()

value_counts()方法对这个 Series 对象中每个不同的标签值进行计数并返回一个新的 Series 对象，该新 Series 对象的索引是标签值，值是对应标签值的样本数量。因此，r1就是一个包含每个簇中样本数量的 Pandas ...

import pandas as pd # 读取 Excel 文件 df = pd.read_excel('stockdata.xlsx') # 统计频数 freq = df['股票代码'].value_counts() # 计算频率 freq_rate = freq / len(df) # 合并频数和频率 result = pd.concat([freq, freq_rate], axis=1) result.columns = ['频数', '频率'] # 将结果写入文件 result.to_csv('code.csv')

然后，使用 pd.concat() 函数将频数和频率列合并为一个 DataFrame，并将列名改为 "频数" 和 "频率"。最后，使用 to_csv() 函数将结果保存到名为 "code.csv" 的 CSV 文件中。 需要注意的是，读取 Excel 文件需要安装...

#统计概率各自出现的次数 df=pd.DataFrame(data_info01) counts=df['PRED_PROB'].value_counts() counts_df=counts.to_frame().reset_index().rename(columns={'index':'概率'，'数量':'count'}) print(counts_df.head(10))优化代码：使之成为统计1-0.9概率，0.9-0.8概率等之间的数量

print(counts.head(10)) 这段代码会将概率值分为10个区间，并统计每个区间的数量。输出结果会给出每个概率区间及其对应的数量。注意，这里使用了pd.cut()函数将概率值分箱，然后使用value_counts()函数统计...

from sklearn.cluster import KMeans kmeans = KMeans(n_clusters=5,n_jobs=-1,random_state=1234) # 模型训练 kmeans_fit = kmeans.fit(data_scale) # 聚类中心 kmeans_cluster = kmeans_fit.cluster_centers_ print('聚类中心为\n',kmeans_fit.cluster_centers_) # 聚类后样本的类别标签 kmeans_label = kmeans_fit.labels_ print('聚类后样本标签为\n',kmeans_fit.labels_) # 聚类后各个类别数目 r1 = pd.Series(kmeans_label).value_counts() print('聚类后各个类别数目\n',r1) # 输出聚类分群结果 cluster_center = pd.DataFrame(kmeans_cluster,columns=['ZL','ZR','ZF','ZM','ZC']) cluster_center.index = pd.DataFrame(kmeans_label).drop_duplicates().iloc[:,0] cluster = pd.concat([r1,cluster_center],axis=1) # 修改第一列列名 list_column = list(cluster.columns) list_column[0] = '类别数目' cluster.columns = list_column 将上述代码转换为matlab语言

把Python代码转换为MATLAB代码可以参考以下示例： matlab % 导入sklearn库中的KMeans类 addpath('sklearn.cluster') ...另外，Python中的value_counts()方法在MATLAB中可以使用tabulate()函数实现。

counts = pd.cut(data_new_drop2['CERT_AGE'],[0,7,12,16,18,45,100],right=False) #展示价格分布区间 count_price = pd.value_counts(counts) print(count_price) count_price.plot.bar(count_price,list) plt.title('年龄比例分析图') plt.ylabel('人数（人）') plt.xlabel('区间')这段代码如何让其显示柱形图数值

count_price = pd.value_counts(counts) count_price.plot.bar(count_price,list) plt.title('年龄比例分析图') plt.ylabel('人数（人）') plt.xlabel('区间') for i in range(len(count_price)): plt.text(i, ...

import numpy as np import pandas as pd from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler from scipy.spatial.distance import cdist import matplotlib.pyplot as plt from pandas import DataFrame from sklearn.decomposition import PCA plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 plt.rcParams['axes.unicode_minus']=False #用来正常显示负号 pd.set_option('display.max_rows', None)#显示全部行 pd.set_option('display.max_columns', None)#显示全部列 np.set_printoptions(threshold=np.inf) pd.set_option('display.max_columns', 9000) pd.set_option('display.width', 9000) pd.set_option('display.max_colwidth', 9000) df = pd.read_csv(r'附件1.csv',encoding='gbk') X = np.array(df.iloc[:, 1:]) X=X[0:,1:] k=93 kmeans_model = KMeans(n_clusters=k, random_state=123) fit_kmeans = kmeans_model.fit(X) # 模型训练 #查看聚类结果 kmeans_cc = kmeans_model.cluster_centers_ # 聚类中心 print('各类聚类中心为：\n', kmeans_cc) kmeans_labels = kmeans_model.labels_ # 样本的类别标签 print('各样本的类别标签为：\n', kmeans_labels) r1 = pd.Series(kmeans_model.labels_).value_counts() # 统计不同类别样本的数目 print('最终每个类别的数目为：\n', r1) # 输出聚类分群的结果 # cluster_center = pd.DataFrame(kmeans_model.cluster_centers_, # columns=[ str(x) for x in range(1,94)]) # 将聚类中心放在数据框中 # cluster_center.index = pd.DataFrame(kmeans_model.labels_). \ # drop_duplicates().iloc[:, 0] # 将样本类别作为数据框索引 # print(cluster_center)代码解释

r1 = pd.Series(kmeans_model.labels_).value_counts() print('最终每个类别的数目为：\n', r1) 上述代码中，kmeans_cc表示各个类别的聚类中心，kmeans_labels表示每个样本所属的类别，r1表示每个类别的样本...

这串代码结果显示Bar不是有效的plot kind，要如何改进。import pandas as pd data = pd.read_excel('titanic.xls') print(data.sex.unique()) data.loc[data['sex']=='male','sex']=0 data.loc[data['sex']=='female','sex']=1 survive_0 = data['survived'][data['sex']==0].value_counts() survive_1 = data['survived'][data['sex']==1].value_counts() data1 =pd.DataFrame({'获救': survive_1,'未获救': survive_0}) data1.plot(kind='Bar',stacked=True) plt.title('不同性别的获救比例')

survive_0 = data['survived'][data['sex']==0].value_counts() survive_1 = data['survived'][data['sex']==1].value_counts() data1 = pd.DataFrame({'获救': survive_1,'未获救': survive_0}) data1.plot...

len_stage = pd.cut(title_len, bins=bins, labels=level).value_counts().sort_index()详解释

- value_counts() 方法统计每个标签出现的频次，并返回一个 Series 对象。 - sort_index() 方法按照标签的顺序对结果进行排序。 最终，len_stage 是一个 Series 对象，其中索引是标签，值是相应的频次。

生成代码：python聚类分析绘制散点图和热力图r1=pd.Series(kmeans_model.labels_).value_counts() print('最终每个类别的数目为：\n',r1)

r1 = pd.Series(kmeans_model.labels_).value_counts() print('最终每个类别的数目为：\n', r1) # 绘制散点图 plt.scatter(x=数据集的 x 值, y=数据集的 y 值, c=kmeans_model.labels_) plt.title('KMeans ...

word_fre = pd.Series(_flatten(dlst_res)).value_counts() index_word = word_fre.index.to_list() 解释一下这段代码

具体实现是先用_flatten()函数将嵌套的list展开成一个一维列表，然后用value_counts()函数统计每个单词在列表中出现的次数，并将结果按照出现次数从高到低排列。最后，使用index.to_list()将排好序的单词列表保存在...

解释这个代码，越详细越好：#第一题 import pandas as pd # 读取数据文件 data = pd.read_excel('C:\\Users/19242/Desktop/stockdata.xlsx', usecols=[0]) # 统计词频 freq = data['股票代码'].value_counts() # 计算频率 total_num = len(data) freq_rate = freq / total_num # 合并为一个dataframe result = pd.concat([freq, freq_rate], axis=1) result.columns = ['词频', '频率'] # 写入文件 result.to_csv('C:\\Users/19242/Desktop/python/2/code.csv')

接下来，使用value_counts()函数统计DataFrame中每个不同的股票代码出现的次数，也就是词频，并将结果存储在freq变量中。 然后，计算每个股票代码出现的频率，即出现次数除以数据总数，并将结果存储在freq_...

count_io = df_mingxi[df_mingxi['调单账户号码'] == df_si["调单商户号"][1]]["收付"].to_list() in1 = pd.value_counts(count_io)['进'] out = pd.value_counts(count_io)['出']

接下来，使用 Pandas 的 value_counts 方法分别统计列表 count_io 中出现“进”和“出”的次数，其中 pd 是 Pandas 的一个常用别名。 最终，将收款笔数和付款笔数分别保存在变量 in1 和 out 中。

import pandas as pd import plotly.graph_objs as go import plotly.offline as py # 读取csv文件 df = pd.read_csv('Studentslnfo.csv', encoding='gbk') # 统计不同性别下每个家长受教育水平的人数 female_parent_edu_counts = df[df['性别'] == '女']['家长受教育水平'].value_counts() male_parent_edu_counts = df[df['性别'] == '男']['家长受教育水平'].value_counts() # 绘制三维柱状图 trace1 = go.Bar(x=female_parent_edu_counts.index, y=female_parent_edu_counts.values, z=[0] * len(female_parent_edu_counts), name='女性') trace2 = go.Bar(x=male_parent_edu_counts.index, y=male_parent_edu_counts.values, z=[1] * len(male_parent_edu_counts), name='男性') data = [trace1, trace2] layout = go.Layout(title='不同性别下每个家长受教育水平的人数', scene=dict(xaxis=dict(title='家长受教育水平'), yaxis=dict(title='人数'), zaxis=dict(title='性别'))) fig = go.Figure(data=data, layout=layout) py.plot(fig, filename='parent_edu_counts.html') 优化代码使其能在jupyter中显示

trace1 = go.Bar(x=female_parent_edu_counts.index, y=female_parent_edu_counts.values, z=[0] * len(female_parent_edu_counts), name='女性') trace2 = go.Bar(x=male_parent_edu_counts.index, y=male_parent_...

最新推荐

recommend-type

基于Matlab极化天线和目标之间的信号传输建模 matlab代码.rar

1.版本：matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
recommend-type

移动通信网络中集中式无线电接入网的数据处理需求与性能指标分析

内容概要：本文提出了一种新的分析框架，用于评估集中式无线电接入网（RAN）的数据处理需求。作者定义了若干性能指标，如计算失效概率、复杂度、增益、多样性和复杂度率之间的权衡。该模型基于块瑞利衰落、距离相关路径损耗和部分功率控制假设下进行仿真验证，证明了集中计算资源的优势。 适用人群：通信工程领域的研究人员、5G技术开发人员和无线网络优化专家。 使用场景及目标：①理解集中式RAN架构对网络性能的影响；②评估集中化数据处理资源在提高吞吐量方面的效益；③量化集中式RAN系统的数据处理复杂度和可靠性。 其他说明：文章通过对多种场景和参数设置的仿真研究，展示了集中式RAN系统相对于传统分布式系统的优越性，为未来移动网络的设计提供了理论支持和技术依据。
recommend-type

444.exe44444

444.exe44444
recommend-type

华为 ArkUI 框架的创新与生态探索.pdf

华为 ArkUI 框架的创新与生态探索.pdf
recommend-type

平尾装配工作平台运输支撑系统设计与应用

资源摘要信息:"该压缩包文件名为‘行业分类-设备装置-用于平尾装配工作平台的运输支撑系统.zip’，虽然没有提供具体的标签信息，但通过文件标题可以推断出其内容涉及的是航空或者相关重工业领域内的设备装置。从标题来看，该文件集中讲述的是有关平尾装配工作平台的运输支撑系统，这是一种专门用于支撑和运输飞机平尾装配的特殊设备。 平尾，即水平尾翼，是飞机尾部的一个关键部件，它对于飞机的稳定性和控制性起到至关重要的作用。平尾的装配工作通常需要在一个特定的平台上进行，这个平台不仅要保证装配过程中平尾的稳定，还需要适应平尾的搬运和运输。因此，设计出一个合适的运输支撑系统对于提高装配效率和保障装配质量至关重要。 从‘用于平尾装配工作平台的运输支撑系统.pdf’这一文件名称可以推断，该PDF文档应该是详细介绍这种支撑系统的构造、工作原理、使用方法以及其在平尾装配工作中的应用。文档可能包括以下内容： 1. 支撑系统的设计理念：介绍支撑系统设计的基本出发点，如便于操作、稳定性高、强度大、适应性强等。可能涉及的工程学原理、材料学选择和整体结构布局等内容。 2. 结构组件介绍：详细介绍支撑系统的各个组成部分，包括支撑框架、稳定装置、传动机构、导向装置、固定装置等。对于每一个部件的功能、材料构成、制造工艺、耐腐蚀性以及与其他部件的连接方式等都会有详细的描述。 3. 工作原理和操作流程：解释运输支撑系统是如何在装配过程中起到支撑作用的，包括如何调整支撑点以适应不同重量和尺寸的平尾，以及如何进行运输和对接。操作流程部分可能会包含操作步骤、安全措施、维护保养等。 4. 应用案例分析：可能包含实际操作中遇到的问题和解决方案，或是对不同机型平尾装配过程的支撑系统应用案例的详细描述，以此展示系统的实用性和适应性。 5. 技术参数和性能指标：列出支撑系统的具体技术参数，如载重能力、尺寸规格、工作范围、可调节范围、耐用性和可靠性指标等，以供参考和评估。 6. 安全和维护指南：对于支撑系统的使用安全提供指导，包括操作安全、应急处理、日常维护、定期检查和故障排除等内容。 该支撑系统作为专门针对平尾装配而设计的设备，对于飞机制造企业来说，掌握其详细信息是提高生产效率和保障产品质量的重要一环。同时，这种支撑系统的设计和应用也体现了现代工业在专用设备制造方面追求高效、安全和精确的趋势。"
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

MATLAB遗传算法探索：寻找随机性与确定性的平衡艺术

![MATLAB多种群遗传算法优化](https://img-blog.csdnimg.cn/39452a76c45b4193b4d88d1be16b01f1.png) # 1. 遗传算法的基本概念与起源 遗传算法（Genetic Algorithm, GA）是一种模拟自然选择和遗传学机制的搜索优化算法。起源于20世纪60年代末至70年代初，由John Holland及其学生和同事们在研究自适应系统时首次提出，其理论基础受到生物进化论的启发。遗传算法通过编码一个潜在解决方案的“基因”，构造初始种群，并通过选择、交叉（杂交）和变异等操作模拟生物进化过程，以迭代的方式不断优化和筛选出最适应环境的
recommend-type

如何在S7-200 SMART PLC中使用MB_Client指令实现Modbus TCP通信？请详细解释从连接建立到数据交换的完整步骤。

为了有效地掌握S7-200 SMART PLC中的MB_Client指令，以便实现Modbus TCP通信，建议参考《S7-200 SMART Modbus TCP教程：MB_Client指令与功能码详解》。本教程将引导您了解从连接建立到数据交换的整个过程，并详细解释每个步骤中的关键点。 参考资源链接：[S7-200 SMART Modbus TCP教程：MB_Client指令与功能码详解](https://wenku.csdn.net/doc/119yes2jcm?spm=1055.2569.3001.10343) 首先，确保您的S7-200 SMART CPU支持开放式用户通
recommend-type

MAX-MIN Ant System：用MATLAB解决旅行商问题

资源摘要信息:"Solve TSP by MMAS: Using MAX-MIN Ant System to solve Traveling Salesman Problem - matlab开发" 本资源为解决经典的旅行商问题（Traveling Salesman Problem, TSP）提供了一种基于蚁群算法（Ant Colony Optimization, ACO）的MAX-MIN蚁群系统（MAX-MIN Ant System, MMAS）的Matlab实现。旅行商问题是一个典型的优化问题，要求找到一条最短的路径，让旅行商访问每一个城市一次并返回起点。这个问题属于NP-hard问题，随着城市数量的增加，寻找最优解的难度急剧增加。 MAX-MIN Ant System是一种改进的蚁群优化算法，它在基本的蚁群算法的基础上，对信息素的更新规则进行了改进，以期避免过早收敛和局部最优的问题。MMAS算法通过限制信息素的上下界来确保算法的探索能力和避免过早收敛，它在某些情况下比经典的蚁群系统（Ant System, AS）和带有局部搜索的蚁群系统（Ant Colony System, ACS）更为有效。 在本Matlab实现中，用户可以通过调用ACO函数并传入一个TSP问题文件（例如"filename.tsp"）来运行MMAS算法。该问题文件可以是任意的对称或非对称TSP实例，用户可以从特定的网站下载多种标准TSP问题实例，以供测试和研究使用。 使用此资源的用户需要注意，虽然该Matlab代码可以免费用于个人学习和研究目的，但若要用于商业用途，则需要联系作者获取相应的许可。作者的电子邮件地址为***。 此外，压缩包文件名为"MAX-MIN%20Ant%20System.zip"，该压缩包包含Matlab代码文件和可能的示例数据文件。用户在使用之前需要将压缩包解压，并将文件放置在Matlab的适当工作目录中。 为了更好地理解和应用该资源，用户应当对蚁群优化算法有初步了解，尤其是对MAX-MIN蚁群系统的基本原理和运行机制有所掌握。此外，熟悉Matlab编程环境和拥有一定的编程经验将有助于用户根据个人需求修改和扩展算法。 在实际应用中，用户可以根据问题规模调整MMAS算法的参数，如蚂蚁数量、信息素蒸发率、信息素增量等，以获得最优的求解效果。此外，也可以结合其他启发式或元启发式算法，如遗传算法、模拟退火等，来进一步提高算法的性能。 总之，本资源为TSP问题的求解提供了一种有效的算法框架，且Matlab作为编程工具的易用性和强大的计算能力，使得该资源成为算法研究人员和工程技术人员的有力工具。通过本资源的应用，用户将能够深入探索并实现蚁群优化算法在实际问题中的应用，为解决复杂的优化问题提供一种新的思路和方法。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依