grouped = df.groupby('month_day').agg({'counts': 'sum', 'amounts': 'sum'})解释这段代码

时间: 2023-10-01 07:08:52 浏览: 90
PDF

Python中的groupby分组功能的实例代码

这段代码是对一个 pandas DataFrame 对象 `df` 进行分组操作，按照 `month_day` 列的值进行分组，并对 `counts` 和 `amounts` 列进行聚合计算。其中，`counts` 和 `amounts` 分别表示数量和金额。具体地，对于每个不同的 `month_day` 值，将其对应的 `counts` 和 `amounts` 列的值相加，得到该 `month_day` 值下的总数量和总金额，并将其存储到一个新的 DataFrame 对象 `grouped` 中。这个操作可以方便地进行数据统计和分析。
阅读全文

相关推荐

pdf

一篇文章带你了解数据库中group by的用法

主要给大家介绍了关于数据库中group by的法的相关资料，文中通过示例代码介绍的非常详细，对大家学习或者使用数据库具有一定的参考学习价值，需要的朋友们下面来一起学习学习吧
pdf

简单讲解sql语句中的group by的使用方法

1.概述 group by 就是依据by 后面的规则对数据分组，所谓的分组就是讲数据集划分成若干个’小组’，针对若干个小组做处理。 2.语法规则 SELECT column_name, aggregate_function(column_name) FROM table_name WHERE column_name operator value GROUP BY column_name 3.举例说明 我们有这样一个订单表：   我们希望统计每一个用户订单的总金额，我们可以借助 group by 来实现： select Customer,sum(OrderPrice) as total_

for start_city, end_cities in around.items(): if start_city in grouped.groups: if start_city not in add_cities: orders_start = grouped.get_group(start_city) add_cities.append(start_city) if end_cities: for end_city in end_cities: if end_city in grouped.groups and end_city not in add_cities: orders_end = grouped.get_group(end_city) add_cities.append(end_city) orders_around = pd.concat([orders_start, orders_end]) result = pd.concat([result, orders_around]) else: if end_cities: for end_city in end_cities: if end_city in grouped.groups and end_city not in add_cities: orders_end = grouped.get_group(end_city) add_cities.append(end_city) result = pd.concat([result, orders_end])这段代码导致result里有重复数据，错误在哪

这段代码中，可能会导致result里有重复数据的原因是在两个地点之间存在多个订单，这些订单被合并到一个DataFrame中后，可能会存在重复的行。为了避免这种情况，可以在合并DataFrame之前，先将其去重。可以使用pandas...

for start_city, end_cities in around.items(): if start_city in grouped.groups: if start_city not in add_cities: orders_start = grouped.get_group(start_city) add_cities.append(start_city) if end_cities: for end_city in end_cities: if end_city in grouped.groups and end_city not in add_cities: orders_end = grouped.get_group(end_city) add_cities.append(end_city) orders_around = pd.concat([orders_start, orders_end]) result = pd.concat([result, orders_around]) else: if end_cities: for end_city in end_cities: if end_city in grouped.groups and end_city not in add_cities: orders_end = grouped.get_group(end_city) add_cities.append(end_city) result = pd.concat([result, orders_end])这段代码导致result里有重复数据，错误在哪,改正错误，重写代码

这段代码可能会导致result里有重复数据的原因是对于同一对起始地点和终点地点，可能存在多个订单，这些订单被合并到一个DataFrame中后，可能会存在重复的行。为了避免这种情况，可以在合并DataFrame之前，先将其去重...

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)

grouped = df2.groupby(df2.columns[1]).agg({df2.columns[2]: 'sum', df2.columns[5]: 'sum'}).reset_index() grouped1 = df3.groupby(df3.columns[1]).agg({df3.columns[2]: 'sum', df3.columns[5]: 'sum'})....

grouped = df.groupby(cols_to_group).size().reset_index(name='count')

这段代码的作用是对数据表 df 进行按照指定列进行分组，并统计每组的数量，最后将结果保存在名为 "grouped" 的表格中。具体来说，代码中的"cols_to_group"是用于指定需要进行分组的列名。同时，reset_index(name='...

grouped = df.groupby('user_id') # 剔除听歌数少于5的用户 grouped = grouped.filter(lambda x: len(x) >= 5)

这段代码的作用是先按照 user_id 对 df 进行分组，然后通过 filter 方法筛选出每个分组中样本数量大于等于 5 的分组。也就是说，如果某个用户的听歌数量少于 5，那么这个用户的所有样本都会被从 df 中剔除掉...

#仓库产品库存dc_inventory data1 = pd.read_csv('D:\运筹优化\杉数科技比赛\data\dc_inventory.csv') grouped = df.groupby(['dc_id', 'sku_id']).sum() results = [] for dc, group in grouped.groupby('dc_id'): dc_results = [] for index, row in group.iterrows(): dc_results.append(row['available_inv']) results.append(dc_results) print(results)

这段代码的作用是读取一个名为 "dc_inventory.csv" 的文件，然后按照仓库和产品分组，计算每个组的可用库存量，并将结果存储在一个嵌套列表中。具体来说，它首先使用 Pandas 库的 read_csv 函数来读取 CSV 文件，并...

import pandas as pd from pyecharts import options as opts from pyecharts.charts import Boxplot, Line, Grid # 读取数据 df = pd.read_excel('200马力拖拉机明细.xlsx') # 创建DataFrame df = pd.DataFrame({ 'FactoryName': df['FactoryName'], 'JiJXH': df['JiJXH'], 'sale': df['sale'] }) # 将FactoryName和JiJXH合并为一列 df['FactoryName-JiJXH'] = df['FactoryName'] + '-' + df['JiJXH'].astype(str) # 对FactoryName-JiJXH进行分组 grouped = df.groupby('FactoryName-JiJXH') # 绘制箱线图 box = Boxplot() box_data = [] for name, group in grouped: box_data.append([round(i, 2) for i in group['sale'].tolist()]) box.add_xaxis([name]) box.add_yaxis('', box.prepare_data(box_data), tooltip_opts=opts.TooltipOpts(trigger='axis', axis_pointer_type='cross')) box.set_global_opts( title_opts=opts.TitleOpts(title='Sale Boxplot', subtitle=''), xaxis_opts=opts.AxisOpts( axislabel_opts=opts.LabelOpts(interval=0, formatter='{value|换行}'.replace('换行', '\n')) ) ) box.set_series_opts(label_opts=opts.LabelOpts(is_show=False)) # 绘制折线图 line = Line() for name, group in grouped: line.add_xaxis([name]) line.add_yaxis('Median', [round(group['sale'].median(), 2)], label_opts=opts.LabelOpts(is_show=False)) line.set_global_opts( title_opts=opts.TitleOpts(title='Sale Median Line', subtitle=''), xaxis_opts=opts.AxisOpts( axislabel_opts=opts.LabelOpts(interval=0, formatter='{value|换行}'.replace('换行', '\n')) ) ) # 合并图表 grid = Grid( init_opts=opts.InitOpts( width='1400px', height='800px', page_title='Boxplot and Median Line', theme='white' ) ) grid.add(box, grid_opts=opts.GridOpts(pos_left='10%', pos_right='10%')) grid.add(line, grid_opts=opts.GridOpts(pos_left='10%', pos_right='10%')) grid.render('boxplot_and_line.html') 提示list index out of range

例如，在 df 的创建后，您可以添加下面这行代码来查看 DataFrame 中是否包含所需的列名： print(df.columns) 或者您可以在读取 excel 文件之后添加下面这行代码来查看 DataFrame 的行数： print(df....

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...

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') # 标的表索引列位置及数据位置 grouped = df2.groupby(df2.columns[1])[df2.columns[2, 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') # 输出结果到文件 result.to_excel('531本外币比年初.xlsx', index=False)

这段代码的作用是读取两个 Excel 表格，然后按照指定位置的列进行分组并统计数据，最后将结果合并并输出到一个新的 Excel 文件中。 具体来说，这段代码的实现步骤包括： 1. 使用 Pandas 库的 read_excel 函数...

请帮我分析如下代码：def count_chinese_chars(row): chinese_pattern = re.compile(u'[\u4e00-\u9fa5]') chinese_chars = chinese_pattern.findall(row) return len(chinese_chars) df['chinese_chars_count'] = df['Column1'].apply(count_chinese_chars) grouped = df.groupby('chinese_chars_count').count() bar=( Bar(init_opts=opts.InitOpts(theme=ThemeType.VINTAGE)) .add_xaxis(x_data) .add_yaxis("评论字数对应数量",y_data) .set_global_opts(title_opts=opts.TitleOpts(title='评论的字数对应其数量')) ) bar.render("直方图.html")

这段代码的功能是统计一个 DataFrame 中某一列（Column1）中汉字的数量，并且将每个字数对应的评论数量进行统计并绘制成直方图。 具体来说，代码首先定义了一个函数 count_chinese_chars，该函数使用正则表达式找出...

df = pd.read_csv('stock_comments_analyzed.csv', parse_dates=['created_time']) grouped = df['polarity'].groupby(df.created_time.dt.date) def BI_Simple_func(row): pos = row[row == 1].count() neg = row[row == 0].count() return (pos-neg)/(pos+neg) BI_Simple_index = grouped.apply(BI_Simple_func) def BI_func(row): pos = row[row == 1].count() neg = row[row == 0].count() bi = np.log(1.0 * (1+pos) / (1+neg)) return bi BI_index = grouped.apply(BI_func) sentiment_idx = pd.concat([BI_index.rename('BI'), BI_Simple_index.rename('BI_Simple')], axis=1) quotes = pd.read_csv('./data/sh000001.csv', parse_dates=['date']) quotes.set_index('date', inplace=True) sentiment_idx.index = pd.to_datetime(sentiment_idx.index) merged = pd.merge(sentiment_idx, quotes, how='left', left_index=True, right_index=True) merged.fillna(method='ffill', inplace=True) merged['BI_MA'] = merged['BI'].rolling(window=10, center=False).mean() merged['BI_Simple_MA'] = merged['BI_Simple'].rolling(window=10, center=False).mean() merged.to_csv('merged_sentiment_idx.csv')

这段代码是关于股票情绪指数的计算和处理，包括读取股票评论数据并按日期分组，定义了两个函数用于计算简单的情绪指数和 BI 指数，然后将这些指数与股票行情数据进行合并并计算移动平均数，最后将结果保存到 csv ...

改进以下代码，使缺失值数据采用均值法填充，其它功能不变：# 第二题 import pandas as pd # 读取原始数据 df = pd.read_excel('C:\Users/19242/Desktop/stockdata.xlsx') # 将季度数据转换为年度数据 df['日期'] = pd.to_datetime(df['日期']) df['年份']=df['日期'].dt.year df['长期负债']=df['长期负债合计'] # 处理缺失值 df.fillna(df.mean(), inplace=True) df_grouped = df.groupby(['股票代码', '年份', '实际控制人性质', '行业代码']).mean().reset_index() df_grouped = df_grouped[['股票代码', '年份', '实际控制人性质', '行业代码', '短期负债', '长期负债', '资产负债率']] df_grouped = df_grouped.fillna(df_grouped.mean()) # 输出到新文件 df_grouped.to_excel('C:\Users/19242/Desktop/python/2/a.xlsx', index=False)

df_grouped = df.groupby(['股票代码', '年份', '实际控制人性质', '行业代码']).mean().reset_index() # 处理缺失值 df_grouped.fillna(df_grouped.mean(), inplace=True) # 输出到新文件 df_grouped.to_excel(r'...

def qi(value): # 根据月和日分组求平均值 grouped_df = df.groupby([df['月'], df['日']]).mean() fs_mean = grouped_df.loc[(value, slice(None)), '风速'].round(1) zf_mean = grouped_df.loc[(value, slice(None)), '降水'].round(1) # 绘制散点图 scatter = ( Scatter(init_opts=opts.InitOpts(width='600px', height='400px', theme=ThemeType.ROMA)) .add_xaxis(list(fs_mean.index.get_level_values(1))) .add_yaxis("风速平均值", list(fs_mean.values)) .add_yaxis("降水平均值", list(zf_mean.values)) .set_global_opts(visualmap_opts=opts.VisualMapOpts(type_="size", range_text=['大', '小']), title_opts=opts.TitleOpts(title="风速降水平均值")) .render("templates/scatter1.html") )怎么能从html获取value值

例如，假设你的 HTML 模板中有一个表单，其中有一个名为 month 的输入框，用户在输入框中输入了一个月份值，然后提交表单时，你可以在 Flask 视图函数中使用以下代码获取这个月份值： python from flask ...

改进以下代码，使拥有多个拥有人性质的企业在最后结果中仅保留第一个数据，其它内容不变 # 第二题 import pandas as pd # 读取原始数据 df = pd.read_excel('C:\\Users/19242/Desktop/stockdata.xlsx') # 将季度数据转换为年度数据 df['日期'] = pd.to_datetime(df['日期']) df['年份']=df['日期'].dt.year df['长期负债']=df['长期负债合计'] # 处理缺失值 df.fillna(df.mean(), inplace=True) df_grouped = df.groupby(['股票代码', '年份', '实际控制人性质', '行业代码']).mean().reset_index() df_grouped = df_grouped[['股票代码', '年份', '实际控制人性质', '行业代码', '短期负债', '长期负债', '资产负债率']] df_grouped = df_grouped.fillna(df_grouped.mean()) # 输出到新文件 df_grouped.to_excel('C:\\Users/19242/Desktop/python/2/a2.xlsx', index=False)

df_grouped = df.groupby(['股票代码', '年份', '实际控制人性质', '行业代码']).mean().reset_index() # 仅保留第一个数据 df_grouped.drop_duplicates(subset=['股票代码', '年份', '实际控制人性质'], keep='...
zip

python小爬虫.zip

python小爬虫
zip

最全的JAVA设计模式，包含原理图解+代码实现.zip

最全的JAVA设计模式，包含原理图解+代码实现
zip

CPPC++_世界上最快的3d贴图转换工具.zip

CPPC++_世界上最快的3d贴图转换工具

最新推荐

recommend-type

python小爬虫.zip

python小爬虫
recommend-type

最全的JAVA设计模式，包含原理图解+代码实现.zip

最全的JAVA设计模式，包含原理图解+代码实现
recommend-type

CPPC++_世界上最快的3d贴图转换工具.zip

CPPC++_世界上最快的3d贴图转换工具
recommend-type

【风电】基于TCN-BiGRU的风电功率单变量输入多步预测研究附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

前端协作项目：发布猜图游戏功能与待修复事项

资源摘要信息:"People-peephole-frontend是一个面向前端开发者的仓库，包含了一个由Rails和IOS团队在2015年夏季亚特兰大Iron Yard协作完成的项目。该仓库中的项目是一个具有特定功能的应用，允许用户通过iPhone或Web应用发布图像，并通过多项选择的方式让用户猜测图像是什么。该项目提供了一个互动性的平台，使用户能够通过猜测来获取分数，正确答案将提供积分，并防止用户对同一帖子重复提交答案。 当前项目存在一些待修复的错误，主要包括： 1. 答案提交功能存在问题，所有答案提交操作均返回布尔值true，表明可能存在逻辑错误或前端与后端的数据交互问题。 2. 猜测功能无法正常工作，这可能涉及到游戏逻辑、数据处理或是用户界面的交互问题。 3. 需要添加计分板功能，以展示用户的得分情况，增强游戏的激励机制。 4. 删除帖子功能存在损坏，需要修复以保证应用的正常运行。 5. 项目的样式过时，需要更新以反映跨所有平台的流程，提高用户体验。 技术栈和依赖项方面，该项目需要Node.js环境和npm包管理器进行依赖安装，因为项目中使用了大量Node软件包。此外，Bower也是一个重要的依赖项，需要通过bower install命令安装。Font-Awesome和Materialize是该项目用到的前端资源，它们提供了图标和界面组件，增强了项目的视觉效果和用户交互体验。 由于本仓库的主要内容是前端项目，因此JavaScript知识在其中扮演着重要角色。开发者需要掌握JavaScript的基础知识，以及可能涉及到的任何相关库或框架，比如用于开发Web应用的AngularJS、React.js或Vue.js。同时，对于iOS开发，可能还会涉及到Swift或Objective-C等编程语言，以及相应的开发工具Xcode。对于Rails，开发者则需要熟悉Ruby编程语言以及Rails框架的相关知识。 开发流程中可能会使用的其他工具包括： - Git：用于版本控制和代码管理。 - HTML/CSS：用于构建网页结构和样式。 - Webpack或Gulp：用于项目构建和优化流程。 - Babel：用于JavaScript代码的兼容性处理。 - Linting工具：如ESLint，用于代码质量检查和维护代码风格一致性。 总结来看，People-peephole-frontend项目不仅涉及到了跨平台协作的经验分享，还提供了前端开发的学习和实践机会，尤其在交互设计、前端工程化、依赖管理及样式设计等方面。开发者可以通过参与该项目的修复和完善工作，提高自身技能并积累宝贵的项目经验。"
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

【高斯信道信号编码优化】：4大方法优化Chirp信号编码过程

![高斯信道下的chirp信号解调](https://img-blog.csdnimg.cn/d37646d14e4e4b51b01e617b59167c74.png) # 1. 高斯信道与Chirp信号编码基础 ## 简介 在现代通信领域，信息的传递无处不在，而保障信息传递的清晰与高效是通信技术的核心挑战之一。高斯信道作为通信系统中最常见和基础的模型，为我们理解和优化信号传输提供了重要的理论支持。Chirp信号，以其独特的频谱扩展特性，在无线通信、雷达和声纳系统中发挥着越来越重要的作用。本章将介绍高斯信道的特性以及Chirp信号的基础知识，为读者搭建起后续章节深入探讨优化方法的理论基础。
recommend-type

对给定图，实现图的深度优先遍历和广度优先遍历。以邻接表或邻接矩阵为存储结构，实现连通无向图的深度优先和广度优先遍历。以用户指定的结点为起点，分别输出每种遍历下的结点访问序列，并调试算法。使用C语言

在C语言中，我们可以使用邻接表或邻接矩阵来存储图的数据结构。这里我将简单介绍如何实现深度优先搜索（DFS）和广度优先搜索（BFS）： **使用邻接表实现：** ```c #include <stdio.h> #include <stdlib.h> typedef struct Node { int val; struct Node* next; } Node; // 创建邻接列表表示图 Node* createAdjacencyList(int numNodes) { // 初始化节点数组 Node** adjList = malloc(sizeof(No
recommend-type

Spring框架REST服务开发实践指南

资源摘要信息: "在本教程中，我们将详细介绍如何使用Spring框架来构建RESTful Web服务，提供对Java开发人员的基础知识和学习参考。" 一、Spring框架基础知识 Spring是一个开源的Java/Java EE全功能栈（full-stack）应用程序框架和 inversion of control（IoC）容器。它主要分为以下几个核心模块： - 核心容器：包括Core、Beans、Context和Expression Language模块。 - 数据访问/集成：涵盖JDBC、ORM、OXM、JMS和Transaction模块。 - Web模块：提供构建Web应用程序的Spring MVC框架。 - AOP和Aspects：提供面向切面编程的实现，允许定义方法拦截器和切点来清晰地分离功能。 - 消息：提供对消息传递的支持。 - 测试：支持使用JUnit或TestNG对Spring组件进行测试。 二、构建RESTful Web服务 RESTful Web服务是一种使用HTTP和REST原则来设计网络服务的方法。Spring通过Spring MVC模块提供对RESTful服务的构建支持。以下是一些关键知识点： - 控制器（Controller）：处理用户请求并返回响应的组件。 - REST控制器：特殊的控制器，用于创建RESTful服务，可以返回多种格式的数据（如JSON、XML等）。 - 资源（Resource）：代表网络中的数据对象，可以通过URI寻址。 - @RestController注解：一个方便的注解，结合@Controller注解使用，将类标记为控制器，并自动将返回的响应体绑定到HTTP响应体中。 - @RequestMapping注解：用于映射Web请求到特定处理器的方法。 - HTTP动词（GET、POST、PUT、DELETE等）：在RESTful服务中用于执行CRUD（创建、读取、更新、删除）操作。 三、使用Spring构建REST服务 构建REST服务需要对Spring框架有深入的理解，以及熟悉MVC设计模式和HTTP协议。以下是一些关键步骤： 1. 创建Spring Boot项目：使用Spring Initializr或相关构建工具（如Maven或Gradle）初始化项目。 2. 配置Spring MVC：在Spring Boot应用中通常不需要手动配置，但可以进行自定义。 3. 创建实体类和资源控制器：实体类映射数据库中的数据，资源控制器处理与实体相关的请求。 4. 使用Spring Data JPA或MyBatis进行数据持久化：JPA是一个Java持久化API，而MyBatis是一个支持定制化SQL、存储过程以及高级映射的持久层框架。 5. 应用切面编程（AOP）：使用@Aspect注解定义切面，通过切点表达式实现方法的拦截。 6. 异常处理：使用@ControllerAdvice注解创建全局异常处理器。 7. 单元测试和集成测试：使用Spring Test模块进行控制器的测试。 四、学习参考 - 国际奥委会：可能是错误的提及，对于本教程没有相关性。 - AOP：面向切面编程，是Spring的核心功能之一。 - MVC：模型-视图-控制器设计模式，是构建Web应用的常见架构。 - 道：在这里可能指学习之道，或者是学习Spring的原则和最佳实践。 - JDBC：Java数据库连接，是Java EE的一部分，用于在Java代码中连接和操作数据库。 - Hibernate：一个对象关系映射（ORM）框架，简化了数据库访问代码。 - MyBatis：一个半自动化的ORM框架，它提供了更细致的SQL操作方式。 五、结束语 以上内容为《learnSpring:学习春天》的核心知识点，涵盖了从Spring框架的基础知识、RESTful Web服务的构建、使用Spring开发REST服务的方法，以及与学习Spring相关的技术栈介绍。对于想要深入学习Java开发，特别是RESTful服务开发的开发者来说，这是一份非常宝贵的资源。
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