在这之后我得到了一个除了原本定量变量之外其他所有定性变量都为onehot格式的excel 接下来我该怎么书写python代码来实现读取数据和设计ANN来学习和预测呢

在得到处理后的one-hot格式的Excel文件后，我们可以使用pandas库中的read_excel()函数读取数据，然后使用keras库中的Sequential()函数和相关层来构建ANN模型，并使用fit()函数进行训练和预测。具体步骤如下：

1. 导入pandas和keras库

import pandas as pd
from keras.models import Sequential
from keras.layers import Dense

2. 使用read_excel()函数读取Excel文件

data = pd.read_excel('file_one_hot.xlsx')

3. 将数据分为训练集和测试集

train_data = data[:train_size]
test_data = data[train_size:]

其中，train_size为训练集的大小。

4. 提取训练集和测试集的特征和标签

train_features = train_data.drop(['label'], axis=1).values
train_labels = train_data['label'].values
test_features = test_data.drop(['label'], axis=1).values
test_labels = test_data['label'].values

其中，label为标签列的列名。

5. 构建ANN模型

model = Sequential()
model.add(Dense(units=32, activation='relu', input_dim=train_features.shape[1]))
model.add(Dense(units=16, activation='relu'))
model.add(Dense(units=1, activation='sigmoid'))

其中，第一层为输入层，包含32个神经元，使用relu激活函数，输入维度为特征数量；第二层为隐藏层，包含16个神经元，使用relu激活函数；第三层为输出层，包含1个神经元，使用sigmoid激活函数。

6. 编译模型

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

其中，损失函数使用交叉熵，优化器使用Adam，评估指标为准确率。

7. 训练模型

model.fit(train_features, train_labels, epochs=100, batch_size=32, validation_data=(test_features, test_labels))

其中，训练100个epochs，每批次包含32个样本，使用测试集进行验证。

8. 模型预测

predictions = model.predict(test_features)

完整代码示例：

import pandas as pd
from keras.models import Sequential
from keras.layers import Dense

# 读取数据
data = pd.read_excel('file_one_hot.xlsx')

# 将数据分为训练集和测试集
train_data = data[:train_size]
test_data = data[train_size:]

# 提取训练集和测试集的特征和标签
train_features = train_data.drop(['label'], axis=1).values
train_labels = train_data['label'].values
test_features = test_data.drop(['label'], axis=1).values
test_labels = test_data['label'].values

# 构建模型
model = Sequential()
model.add(Dense(units=32, activation='relu', input_dim=train_features.shape[1]))
model.add(Dense(units=16, activation='relu'))
model.add(Dense(units=1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(train_features, train_labels, epochs=100, batch_size=32, validation_data=(test_features, test_labels))

# 模型预测
predictions = model.predict(test_features)

执行以上代码后，就可以得到一个ANN模型，并使用该模型进行训练和预测了。注意，在实际应用中，还需要根据具体问题和数据特点进行适当的模型调优和优化，以提高模型的预测精度。