pd.read_excel.columns

时间: 2023-07-06 20:16:34 浏览: 138
PDF

df.rank & pd.pivot_table & pd.read_excel & df添加行 &调整df行列顺序(reindex再理解）

这不是一个完整的问题，它缺少上下文。`pd.read_excel`是 Pandas 库中读取 Excel 文件的函数，而 `.columns` 是 DataFrame 对象的属性，用于返回该 DataFrame 的列名。但是，如果你想问的是如何使用 `pd.read_excel` 函数来读取 Excel 文件的列名，你可以使用以下代码： ```python import pandas as pd # 读取 Excel 文件 df = pd.read_excel('file.xlsx') # 获取 DataFrame 的列名 columns = df.columns ``` 这样，`columns` 变量就会包含 Excel 文件中的列名。
阅读全文

相关推荐

-

Python DataFrame入门与操作详解

对于Excel文件，可以直接使用pd.read_excel(xlsxPath)。文本文件（如TXT）可以通过pd.read_table函数，设置编码和分隔符，如data = pd.read_table('Z:/test.txt', header=None, encoding='gb2312', delim_white...
-

Python实现多路径Excel数据整合至新表教程

dataframes = [pd.read_excel(path) for path in file_paths] 4. **合并多个DataFrame**： 使用pandas的concat函数可以合并多个DataFrame对象。 python df_combined = pd.concat(dataframes) ...

ori_df = pd.read_excel(in_file) refer_df = pd.read_excel(in_file, sheet_name=1) filtered_df = refer_df.join(ori_df.set_index(ori_df.columns[0]), on=refer_df.columns[0], how='inner')

具体来说，ori_df.set_index(ori_df.columns[0]) 的作用是将 ori_df 的第一列设置为索引列，然后 on=refer_df.columns[0] 指定了用 refer_df 的第一列进行匹配。最后，how='inner' 表示只保留匹配后的结果，即两个...

代码简写：import pandas as pd # 1. 读取指定表格 df1 = pd.read_excel('result-new.xlsx', sheet_name='Sheet1') df2 = pd.read_excel('基础数据-new.xlsx', sheet_name='本外币') df3 = pd.read_excel('基础数据-new.xlsx', sheet_name='人民币') # 标的表索引列位置及数据位置 grouped = df2.groupby(df2.columns[1]).agg({df2.columns[2]: 'sum', df2.columns[5]: 'sum'}).reset_index() grouped1 = df3.groupby(df2.columns[1]).agg({df3.columns[2]: 'sum', df3.columns[5]: 'sum'}).reset_index() # 合并表1和表2的结果 result = pd.merge(df1, grouped, left_on=df1.columns[1], right_on=grouped.columns[0], how='left') result = pd.merge(result, grouped1, left_on=df1.columns[1], right_on=grouped.columns[0], how='left') # 输出结果到文件 result.to_excel('531本外币比年初.xlsx', index=False)

df1, df2, df3 = pd.read_excel('result-new.xlsx', sheet_name='Sheet1'), pd.read_excel('基础数据-new.xlsx', sheet_name='本外币'), pd.read_excel('基础数据-new.xlsx', sheet_name='人民币') # 标的表索引列...

def filter_data(in_file): try: ori_df = pd.read_excel(in_file) refer_df = pd.read_excel(in_file, sheet_name=1) filtered_df = refer_df.join(ori_df.set_index(ori_df.columns[0]), on=refer_df.columns[0], how='inner') return filtered_df except: print('Please check the input file!') return None

这是一个 Python 函数，输入参数是一个 Excel 文件路径。函数的主要功能是读取 Excel 文件中的两个表格，将它们按照一个特定的列进行内连接，返回连接后的结果表格。如果读取 Excel 文件或者连接表格时出现错误，...

代码错误import pandas as pd # 1. 读取指定表格 df1 = pd.read_excel('管理清单.xlsx', sheet_name='Sheet1') df2 = pd.read_excel('new_公司.xlsx', sheet_name='Sheet1') # 标的表索引列位置及数据位置 grouped = df2.groupby(df2.columns[1])[df2.columns[3]].reset_index() # 合并表1和表2的结果 result = pd.merge(df1, grouped, left_on=df1.columns[1], right_on=grouped.columns[0], how='left') # 输出结果到文件 result.to_excel('合并数据.xlsx', index=False)

这段代码的错误可能是由于没有安装 pandas 库导致的。你可以尝试在终端中运行以下命令来安装 pandas 库： pip install pandas 如果已经安装了 pandas 库，那么可能是因为文件路径不正确或文件名错误导致的...

TextData = pd.read_excel('train.xlsx', header=None, usecols=[1]) TextData.columns = ['label'] TextData['texts'] = pd.read_excel('train.xlsx', header=None, usecols=[0]) # 读入测试数据 TextDataTest = pd.read_excel('test.xlsx', header=None, usecols=[1]) TextDataTest.columns = ['label'] TextDataTest['texts'] = pd.read_excel('test.xlsx', header=None, usecols=[0]) # 设置计数器，用jieba.cut对句子进行分词，并用Vocab构建词表 counter = Counter() for (label, texts) in TextData.values: counter.update(jieba.cut(texts)) min_freq = 1 # 设置最小频次 vocab = Vocab(counter, min_freq=min_freq) print(vocab['我'])出现Vocab.__init__() got an unexpected keyword argument 'min_freq'错误怎么改

TextData = pd.read_excel('train.xlsx', header=None, usecols=[1]) TextData.columns = ['label'] TextData['texts'] = pd.read_excel('train.xlsx', header=None, usecols=[0]) # 设置计数器，用jieba.cut对句子...

#%% import pandas as pd import numpy as np import matplotlib.pyplot as plt # 读取Excel文件中的所有表格 excel_file = pd.ExcelFile('附件1-装箱数据.xlsx') # 读取指定表格 df1 = pd.read_excel(excel_file, sheet_name='订单数据') df2 = pd.read_excel(excel_file, sheet_name='耗材数据') # 检查是否有缺失值 print(df1.isnull().sum()) print(df2.isnull().sum()) print(df1.head()) print(df2.head()) df2=df2['耗材类型'].replace({'袋':1, '箱': 0}, inplace=True) df2.drop(columns=['重量']).values print(df1.head()) print(df2.head())

- 然后，使用 read_excel() 方法读取指定的表格，并将其存储为 DataFrame 对象，分别命名为 df1 和 df2。 - 接着，使用 isnull() 和 sum() 方法检查 df1 和 df2 中是否有缺失值。 - 然后，使用 head() 方法查看 df1 ...

pd.read_excel获取表头

使用 pd.read_excel 函数读取 Excel 文件时，默认情况下会将第一行作为表头，如果你希望自定义表头，可以在函数中传入 header 参数，例如： python import pandas as pd # 读取 Excel 文件，并指定表头为第...

import pandas as pd #读取Excel文件 excel_file = r"C:\Users\Chenzhong_Zhou\Desktop\对比需求\list\GAFP list(1).xlsx" df_excel = pd.read_excel(excel_file, sheet_name="GAFP") #excel_col = df_excel["GAFP"]#读取指定内容 excel_col = df_excel["GAFP"].drop_duplicates()#读取指定内容并且查重查重 # 设置pandas的显示选项 pd.set_option('display.max_columns', None) # 显示所有列 pd.set_option('display.max_rows', None) # 显示所有行 pd.set_option('display.width', 1000) # 设置显示宽度为1000像素 pd.set_option('display.max_colwidth', 1000) # 设置每列的最大宽度为1000像素 # 读取CSV文件 csv_file = r"C:\Users\Chenzhong_Zhou\Desktop\对比需求\list\ServerGrpProjectList_export_1684484264572.csv" df_csv = pd.read_csv(csv_file)#读取全部内容 #csv_col = df_csv["ProjectId"]#读取指定内容 csv_col = df_csv["ProjectId"].drop_duplicates()#读取指定内容并且查重 # 数据对比 if excel_col.equals(csv_col): result = "数据一致" else: result = "数据不一致\n\nExcel文件中多出的数据：\n{}\n\nCSV文件中多出的数据：\n{}".format( excel_col[~excel_col.isin(csv_col)], csv_col[~csv_col.isin(excel_col)] ) # 将结果写入txt文件 txt_file = r"C:\Users\Chenzhong_Zhou\Desktop\对比需求\list\txt001.txt" with open(txt_file, "w", encoding="utf-8") as f: f.write(result)

这段代码是用 Python 的 pandas 库实现了对比两个文件中指定列的内容是否一致...其中，pandas 库提供了许多实用的函数，如 read_excel()、read_csv()、drop_duplicates()、equals() 等，方便我们对数据进行处理和分析。

import pandas as pd from mlxtend.preprocessing import TransactionEncoder from mlxtend.frequent_patterns import apriori # 读取 Excel 文件数据 df = pd.read_excel('D:/shujuji/zhizaoye.xls', sheet_name='制造业') dataset = df.values.tolist() print(dataset) te = TransactionEncoder() te_data = te.fit(dataset).transform(dataset) df_encoded = pd.DataFrame(te_data, columns=te.columns_) # 应用 Apriori 算法检测频繁项集 frequent_itemsets = apriori(df_encoded, min_support=0.2, use_colnames=True) # 输出结果 print(frequent_itemsets)找出这段代码的错误并更正

df = pd.read_excel('D:/shujuji/zhizaoye.xls', sheet_name='制造业') dataset = df.values.tolist() print(dataset) te = TransactionEncoder() te_data = te.fit(dataset).transform(dataset) df_encoded = pd....

import pandas as pd df = pd.read_excel('驾照.xlsx', index_col=0) df.columns.name=['科目'] # df = df.stack() # print(df) df.stack().reset_index(name='分数') df，改正错误

这段代码没有错误，但是最后一...df = pd.read_excel('驾照.xlsx', index_col=0) df.columns.name = '科目' stacked_df = df.stack().reset_index(name='分数') print(stacked_df) 这样，就可以将结果打印出来了。

df = pd.read_csv('./part-00000-66a9d65e-cad2-4f62-af22-e9acbec50dbc.c000.csv', low_memory=False) sig_cell_volt = np.array(df.iloc[:1000, 10]) sum_volt = list(np.array(df.iloc[:1000, 6])) # print(sig_cell_volt) all_cell_vot = [] for i in sig_cell_volt: i = i[2:] cell_str = i.split('_') cell_list = [] for t in cell_str: t = float(t)/1000 cell_list.append(t) # print(len(cell_list)) all_cell_vot.append(cell_list) all_cell_vot = np.array(all_cell_vot) # x_data = torch.from_numpy(all_cell_vot) print(all_cell_vot) # sing_vol_df = pd.DataFrame(all_cell_vot) # writer = pd.ExcelWriter('vol.xlsx') # sing_vol_df.to_excel(writer,'sheet1',float_format='%.5f') df1 = pd.read_excel('vol.xlsx') col_name=df1.columns.tolist() col_name.insert(95, '总电压') df1['总电压'] = sum_volt df1.to_excel('piggy22.xlsx')

在处理完数据后，代码将 all_cell_vot 数组中的数据存储到了名为 sing_vol_df 的 DataFrame 中，并将这个 DataFrame 存储到了一个名为 vol.xlsx 的 Excel 文件中。 接下来，代码又读取了 vol.xlsx 文件，并将 ...

帮我看一下这段代码哪里有问题，怎么修改？import pandas as pd import numpy as np pd.set_option('display.max_columns', None)#所有列 pd.set_option('display.max_rows', None)#所有行 data=pd.read_excel('半监督数据.xlsx') datas = pd.DataFrame(data)dataset=datas(labeled_size=0.3,test_size=0.1,stratified=False,shuffle=True,random_state=0, default_transforms=True)

data = pd.read_excel('半监督数据.xlsx') X = data.drop(columns=['label']) # 特征矩阵 y = data['label'] # 标签列 # 划分数据集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1, ...

帮我解读下这个代码：import csv import os import numpy as np import pandas as pd import pymysql from pymysql import connect # %% # drug_table = pd.read_excel('./data/drug.xlsx') drug_table_an = pd.read_excel('./data/mimiciv_feature_info.xlsx', sheet_name='antibiotic') drug_table_sa = pd.read_excel('./data/mimiciv_feature_info.xlsx', sheet_name='sedatives_and_analgesics') drug_table_co = pd.read_excel('./data/mimiciv_feature_info.xlsx', sheet_name='anticoagulant') prescriptions = pd.read_csv('/data/check_in/EHR_data/MIMIC_III/CSV/PRESCRIPTIONS.csv') item = pd.read_csv('/data/check_in/EHR_data/MIMIC_III/CSV/D_ITEMS.csv') labitem = pd.read_csv('/data/check_in/EHR_data/MIMIC_III/CSV/D_LABITEMS.csv') columns_pre = prescriptions.columns.tolist() columns_item = item.columns.tolist() columns_labitem = labitem.columns.tolist() # drugs = (drug_table['anticoagulant'].to_list()+drug_table['antiplatelet'].to_list())[:-4] drugs = ['barbital' ,'zepam' ,'zolam' ,'zolpidem' ,'propofol' ,'dexmedetomidine' ,'pentobarbital' ,'clonazepam' ,'alprazolam' ,'estazolam' ,'Zolpidem Tartrate'] drug_test_tsv = open('drug_patients_sedative.csv', 'w', newline='', encoding='utf-8') drug_test = csv.writer(drug_test_tsv, delimiter=',') drug_test.writerow(columns_pre) item_test_tsv = open('item_patients_sedative.csv', 'w', newline='', encoding='utf-8') item_test = csv.writer(item_test_tsv, delimiter=',') item_test.writerow(columns_item) labitem_test_tsv = open('labitem_patients_sedative.csv', 'w', newline='', encoding='utf-8') labitem_test = csv.writer(labitem_test_tsv, delimiter=',') labitem_test.writerow(columns_labitem) # import pdb;pdb.set_trace() for drug in drugs: # print(type(drug)) sql = "select * FROM PRESCRIPTIONS where drug like '%"+ drug + "%' or drug_name_poe like '%"+ drug + "%' or drug_name_generic like '%"+ drug + "%'" print(sql) conn = connect(host='127.0.0.1', port=3306, user='root', passwd='root', db='mimiciii') cursor = conn.cursor() cursor.execute(sql) data_tmp = cursor.fetchall() # print(data_tmp is None) if len(data_tmp) != 0: for data_cur in data_tmp: print(data_cur[1], data_cur[2], data_cur[3], data_cur[7], data_cur[8], data_cur[9]) drug_test.writerow(list(data_cur)) # import pdb;pdb.set_trace() for drug in drugs: # print(type(drug)) sql = "select * FROM D_ITEMS where label like '%{}%'" .format(drug) print(sql) conn1 = connect(host='127.0.0.1', port=3306, user='root', passwd='root', db='mimiciii') cursor1 = conn1.cursor() cursor1.execute(sql) data_tmp = cursor1.fetchall() if len(data_tmp) != 0: for data_cur in data_tmp: print(data_cur[1], data_cur[2]) item_test.writerow(list(data_cur)) # import pdb;pdb.set_trace() for drug in drugs: # print(type(drug)) sql = "select * FROM D_LABITEMS where label like '%{}%'" .format(drug) print(sql) conn1 = connect(host='127.0.0.1', port=3306, user='root', passwd='root', db='mimiciii') cursor1 = conn1.cursor() cursor1.execute(sql) data_tmp = cursor1.fetchall() if len(data_tmp) != 0: for data_cur in data_tmp: print(data_cur[1], data_cur[2]) labitem_test.writerow(list(data_cur)) # import pdb;pdb.set_trace() # %% import pandas as pd drug = pd.read_csv('drug_patients_sedative.csv') print(drug.DRUG.unique()) # %% print(drug.DRUG_NAME_POE.unique()) # %% print(drug.DRUG_NAME_GENERIC.unique()) # %%

这段代码是Python语言的导入模块语句，它导入了csv、os、numpy、pandas和pymysql等模块，并从pymysql模块中导入connect函数。这些模块提供了各种功能，如读写CSV文件、操作操作系统、进行数值计算、处理数据和连接...

pd.read_excel指定两列读取

To read only specific columns from an Excel file using pd.read_excel, you need to use the parameter "usecols" and pass in a list of the column names or indices that you want to read. For example, if ...
-

Pandas透视表（pivot_table）深度解析与应用

df = pd.read_excel('sales_data.xlsx') # 创建透视表 pivot_table = pd.pivot_table(df, values='收入', index='阶段', columns='产品', aggfunc=np.sum) 在这个例子中，values参数指定了要聚合的数值列（如...
-

Pandas入门到精通：数据分析与操作全指南

- Excel文件导入用pd.read_excel()，支持指定sheet和表头信息。 - 数据可以从SQL表或数据库中读取，使用pd.read_sql()函数。 - JSON数据可以通过json模块读取并转换成DataFrame。 - 控制数据框的显示格式...
pptx

数学建模学习资料 姜启源数学模型课件 M04 数学规划模型 共85页.pptx

数学建模学习资料 姜启源数学模型课件 M04 数学规划模型 共85页.pptx

最新推荐

recommend-type

数学建模学习资料 姜启源数学模型课件 M04 数学规划模型 共85页.pptx

数学建模学习资料 姜启源数学模型课件 M04 数学规划模型 共85页.pptx
recommend-type

【大越期货-2024研报】生猪期货早报.pdf

研究报告
recommend-type

数学建模学习资料 姜启源数学模型课件 M07 差分方程模型 共33页.pptx

数学建模学习资料 姜启源数学模型课件 M07 差分方程模型 共33页.pptx
recommend-type

【宝城期货-2024研报】宝城期货品种套利数据日报.pdf

研究报告
recommend-type

JHU荣誉单变量微积分课程教案介绍

资源摘要信息:"jhu2017-18-honors-single-variable-calculus" 知识点一：荣誉单变量微积分课程介绍 本课程为JHU（约翰霍普金斯大学）的荣誉单变量微积分课程，主要针对在2018年秋季和2019年秋季两个学期开设。课程内容涵盖两个学期的微积分知识，包括整合和微分两大部分。该课程采用IBL（Inquiry-Based Learning）格式进行教学，即学生先自行解决问题，然后在学习过程中逐步掌握相关理论知识。 知识点二：IBL教学法 IBL教学法，即问题导向的学习方法，是一种以学生为中心的教学模式。在这种模式下，学生在教师的引导下，通过提出问题、解决问题来获取知识，从而培养学生的自主学习能力和问题解决能力。IBL教学法强调学生的主动参与和探索，教师的角色更多的是引导者和协助者。 知识点三：课程难度及学习方法 课程的第一次迭代主要包含问题，难度较大，学生需要有一定的数学基础和自学能力。第二次迭代则在第一次的基础上增加了更多的理论和解释，难度相对降低，更适合学生理解和学习。这种设计旨在帮助学生从实际问题出发，逐步深入理解微积分理论，提高学习效率。 知识点四：课程先决条件及学习建议 课程的先决条件为预演算，即在进入课程之前需要掌握一定的演算知识和技能。建议在使用这些笔记之前，先完成一些基础演算的入门课程，并进行一些数学证明的练习。这样可以更好地理解和掌握课程内容，提高学习效果。 知识点五：TeX格式文件 标签"TeX"意味着该课程的资料是以TeX格式保存和发布的。TeX是一种基于排版语言的格式，广泛应用于学术出版物的排版，特别是在数学、物理学和计算机科学领域。TeX格式的文件可以确保文档内容的准确性和排版的美观性，适合用于编写和分享复杂的科学和技术文档。
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

【实战篇：自定义损失函数】：构建独特损失函数解决特定问题，优化模型性能

![损失函数](https://img-blog.csdnimg.cn/direct/a83762ba6eb248f69091b5154ddf78ca.png) # 1. 损失函数的基本概念与作用 ## 1.1 损失函数定义 损失函数是机器学习中的核心概念，用于衡量模型预测值与实际值之间的差异。它是优化算法调整模型参数以最小化的目标函数。 ```math L(y, f(x)) = \sum_{i=1}^{N} L_i(y_i, f(x_i)) ``` 其中，`L`表示损失函数，`y`为实际值，`f(x)`为模型预测值，`N`为样本数量，`L_i`为第`i`个样本的损失。 ## 1.2 损
recommend-type

如何在ZYNQMP平台上配置TUSB1210 USB接口芯片以实现Host模式，并确保与Linux内核的兼容性？

要在ZYNQMP平台上实现TUSB1210 USB接口芯片的Host模式功能，并确保与Linux内核的兼容性，首先需要在硬件层面完成TUSB1210与ZYNQMP芯片的正确连接，保证USB2.0和USB3.0之间的硬件电路设计符合ZYNQMP的要求。 参考资源链接：[ZYNQMP USB主机模式实现与测试(TUSB1210)](https://wenku.csdn.net/doc/6nneek7zxw?spm=1055.2569.3001.10343) 具体步骤包括： 1. 在Vivado中设计硬件电路，配置USB接口相关的Bank502和Bank505引脚，同时确保USB时钟的正确配置。
recommend-type

Naruto爱好者必备CLI测试应用

资源摘要信息:"Are-you-a-Naruto-Fan:CLI测验应用程序，用于检查Naruto狂热者的知识" 该应用程序是一个基于命令行界面（CLI）的测验工具，设计用于测试用户对日本动漫《火影忍者》（Naruto）的知识水平。《火影忍者》是由岸本齐史创作的一部广受欢迎的漫画系列，后被改编成同名电视动画，并衍生出一系列相关的产品和文化现象。该动漫讲述了主角漩涡鸣人从忍者学校开始的成长故事，直到成为木叶隐村的领袖，期间包含了忍者文化、战斗、忍术、友情和忍者世界的政治斗争等元素。 这个测验应用程序的开发主要使用了JavaScript语言。JavaScript是一种广泛应用于前端开发的编程语言，它允许网页具有交互性，同时也可以在服务器端运行（如Node.js环境）。在这个CLI应用程序中，JavaScript被用来处理用户的输入，生成问题，并根据用户的回答来评估其对《火影忍者》的知识水平。 开发这样的测验应用程序可能涉及到以下知识点和技术： 1. **命令行界面（CLI）开发：** CLI应用程序是指用户通过命令行或终端与之交互的软件。在Web开发中，Node.js提供了一个运行JavaScript的环境，使得开发者可以使用JavaScript语言来创建服务器端应用程序和工具，包括CLI应用程序。CLI应用程序通常涉及到使用诸如 commander.js 或 yargs 等库来解析命令行参数和选项。 2. **JavaScript基础：** 开发CLI应用程序需要对JavaScript语言有扎实的理解，包括数据类型、函数、对象、数组、事件循环、异步编程等。 3. **知识库构建：** 测验应用程序的核心是其问题库，它包含了与《火影忍者》相关的各种问题。开发人员需要设计和构建这个知识库，并确保问题的多样性和覆盖面。 4. **逻辑和流程控制：** 在应用程序中，需要编写逻辑来控制测验的流程，比如问题的随机出现、计时器、计分机制以及结束时的反馈。 5. **用户界面（UI）交互：** 尽管是CLI，用户界面仍然重要。开发者需要确保用户体验流畅，这包括清晰的问题呈现、简洁的指令和友好的输出格式。 6. **模块化和封装：** 开发过程中应当遵循模块化原则，将不同的功能分隔开来，以便于管理和维护。例如，可以将问题生成器、计分器和用户输入处理器等封装成独立的模块。 7. **单元测试和调试：** 测验应用程序在发布前需要经过严格的测试和调试。使用如Mocha或Jest这样的JavaScript测试框架可以编写单元测试，并通过控制台输出调试信息来排除故障。 8. **部署和分发：** 最后，开发完成的应用程序需要被打包和分发。如果是基于Node.js的应用程序，常见的做法是将其打包为可执行文件（如使用electron或pkg工具），以便在不同的操作系统上运行。 根据提供的文件信息，虽然具体细节有限，但可以推测该应用程序可能采用了上述技术点。用户通过点击提供的链接，可能将被引导到一个网页或直接下载CLI应用程序的可执行文件，从而开始进行《火影忍者》的知识测验。通过这个测验，用户不仅能享受答题的乐趣，还可以加深对《火影忍者》的理解和认识。
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