import pandas as pd # 读入鸢尾花数据 iris = pd.read_csv('iris.csv') # 输出前六行数据 print(iris.head(6))

时间: 2023-09-26 19:07:50 浏览: 95
CSV

iris.csv 鸢尾花数据

这是一个正确的Python程序，它使用pandas库读入鸢尾花数据集，并输出前六行数据。具体来说，程序将'iris.csv'文件读入到一个名为iris的DataFrame对象中，然后使用head()方法输出前六行数据。其中，pandas库提供了read_csv()函数来方便地读取CSV格式的数据文件，而head()方法可以用于查看DataFrame对象的前几行数据，默认为前五行。 需要注意的是，如果在运行程序时没有找到'iris.csv'文件，程序将会出现FileNotFoundError异常。因此，在运行程序之前需要确保'iris.csv'文件存在，并且文件路径与程序中指定的路径一致。
阅读全文

相关推荐

csv

csv格式的鸢尾花数据集iris

标准数据集，做分类和聚类用的比较多，适合机器学习和数据挖掘课程使用
csv

鸢尾花数据集 iris.csv

机器学习：决策树算法实验数据集，用于聚类和决策树分类。针对鸢尾花数据集的特征，包含sepal_length、sepal_width、petal_length和petal_width四个维度特征，一共有150条数据记录，划分为0，1，2三个种类。

import numpy as np import pandas as pd from scipy.stats import kstest #from sklearn import preprocessing # get a column from dataframe def select_data(data, ny): yName = data.columns[ny] Y = data[yName] return Y # see which feature is normally distributed from dataframe def normal_test(df): for i in range(len(df.columns)): y = select_data(df,i) p = kstest(y,'norm') print("feature {}, p-value = {}".format(i,p[1])) # rescale feature i in dataframe def standard_rescale(df, i): y = select_data(df,i) m = np.mean(y) s = np.std(y) y = (y-m)/s return y # log-transform feature of dataframe def log_transform(df,i): y = select_data(df,i) y = np.log(y) return y # square root transform feature of dataframe def sqrt_transform(df,i): y = select_data(df,i) y = np.sqrt(y) return y # cube root transform feature of dataframe def cbrt_transform(df,i): y = select_data(df,i) y = np.cbrt(y) return y # transform dataframe into one of: standard, log, sqrt, cbrt def transform_dataframe(df, transformation): df_new = [] if transformation == "standard": for i in range(len(df.columns)-1): y = standard_rescale(df,i) df_new.append(y) df_new.append(df.iloc[:,no_feats]) elif transformation == "log": for i in range(len(df.columns)-1): y = log_transform(df,i) df_new.append(y) df_new.append(df.iloc[:,no_feats]) elif transformation == "sqrt": for i in range(len(df.columns)-1): y = sqrt_transform(df,i) df_new.append(y) df_new.append(df.iloc[:,no_feats]) elif transformation == "cbrt": for i in range(len(df.columns)-1): y = cbrt_transform(df,i) df_new.append(y) df_new.append(df.iloc[:,no_feats]) else: return "wrong arguments" df_new = pd.DataFrame(df_new) df_new = df_new.T return df_new df = pd.read_csv('iris.csv') no_feats = 4 df.columns =['0', '1', '2', '3', '4'] #normal_test(df) df_standard = transform_dataframe(df, "standard") #df_log = transform_dataframe(df, "log") #df_sqrt = transform_dataframe(df, "sqrt") #df_cbrt = transform_dataframe(df, "cbrt") #df_wrong = transform_dataframe(df, "lo") #print("standard-----------------------------------------") #normal_test(df_standard) #print("log-----------------------------------------") #normal_test(df_log) #print("square root-----------------------------------------") #normal_test(df_sqrt) #print("cube root-----------------------------------------") #normal_test(df_cbrt) result = df_standard # create new csv file with new dataframe result.to_csv(r'iris_std.csv', index = False, header=True)解释每一行代码

该程序是一个数据预处理的示例，其主要作用是读入一个包含鸢尾花数据的CSV文件，然后对数据进行不同的变换，包括标准化、log变换、平方根变换和立方根变换，并将变换后的结果保存到新的CSV文件中。程序中使用了numpy...

分别加载鸢尾花数据集文件， iris.csv,iris.data (1)输出花萼的长度和花瓣的长度这两个特征列

为了分别加载鸢尾花数据集文件iris.csv和iris.data并输出花萼的长度和花瓣的长度这两个特征列，我们可以使用Python的Pandas库，因为它非常适合处理表格数据。以下是使用Pandas加载数据并提取特定列的步骤： **...

读入鸢尾花数据，输出前六行数据 请设计Python

可以使用Python中的pandas库来读入鸢尾花数据并输出前六行数据。 以下是示例代码： python import pandas as pd # 读入鸢尾花数据 iris = pd.read_csv('iris.csv') # 输出前六行数据 print(iris.head(6)) ...

编写程序，导入鸢尾花数据，实现以下操作。（1）读入鸢尾花数据，并显示全部鸢尾花数据，然后分别显示花萼数据和花瓣数据（2）设计程序分别显示鸢尾花每个品种的花萼数据和花瓣数据（3）使用pandas、numpy、matplotlib实现每个种类鸢尾花的Sepal.Length折线图（4）使用pandas、numpy、matplotlib实现每个种类鸢尾花的Sepal.Width折线图（5）使用pandas、numpy、matplotlib实现每个种类鸢尾花的Petal.Length柱状图（6）使用pandas、numpy、matplotlib实现每个种类鸢尾花的Petal.Width柱状图注：导入鸢尾花数据后的DataFram包含5列：Sepal.Length, Sepal.Width, Petal.Length, Petal.Width, Speciessepal_length 花萼_长度，sepal_width 花萼_宽度，petal_length 花瓣_长度，petal_width 花瓣_宽度，species 种类

# 读入鸢尾花数据 iris_data = pd.read_csv('iris.csv') # 显示全部鸢尾花数据 print(iris_data) # 分别显示花萼数据和花瓣数据 sepal_data = iris_data[['sepal_length', 'sepal_width']] print(sepal_data) ...

编写程序，导入鸢尾花数据，实现以下操作 ，读入鸢尾花数据，输出前6行数据

import pandas as pd # 读取数据 iris_data = pd.read_csv('iris.csv') # 输出前6行数据 print(iris_data.head(6)) 请确保将 "iris.csv" 文件放在当前工作目录中。如果数据文件不在当前工作目录中，需要在 ...

读入鸢尾花数据，输出前六行数据 请设计Python程序代码和记录运行结果

# 读入鸢尾花数据 iris = pd.read_csv('iris.csv') # 输出前六行数据 print(iris.head(6)) 运行结果如下： sepal_length sepal_width petal_length petal_width species 0 5.1 3.5 1.4 0.2 setosa 1 4.9...

编写程序，导入鸢尾花数据，实现以下操作 （1）读入鸢尾花数据，输出前6行数据

import pandas as pd # 读取数据 iris_data = pd.read_csv('iris.csv') # 输出前6行数据 print(iris_data.head(6)) 请确保将 "iris.csv" 文件放在当前工作目录中。如果数据文件不在当前工作目录中，需要在 ...

读入鸢尾花数据，并显示全部鸢尾花数据，然后分别显示花萼数据和花瓣数据

这个程序会先读入鸢尾花数据，并显示全部数据。然后，它会根据数据格式分别显示花萼数据和花瓣数据。请注意，这个程序中使用的是鸢尾花数据集的在线链接，如果你已经下载了数据集，可以将程序中的链接替换为本地文件...

编写程序，导入鸢尾花数据，实现以下操作 （1）读入鸢尾花数据，输出前6行数据 （2）统计鸢尾花每个品种的数量 （3）按品种划分，每个品种的花萼，花瓣的长度和宽度的最大值分别是多少？ （4）计算每个品种所有属性（花瓣、花萼的长度和宽度）数值的跨度范围，即最大值减去最小值 （5）计算鸢尾花每个品种所有属性（花瓣、花萼的长度和宽度）数值的平均值、最大值

（1）读入鸢尾花数据，输出前6行数据 python import pandas as pd # 读入鸢尾花数据 iris_data = pd.read_csv('iris.csv') # 输出前6行数据 print(iris_data.head(6)) （2）统计鸢尾花每个品种的数量 ...

（1）读入鸢尾花数据，输出前6行数据 （2）统计鸢尾花每个品种的数量 （3）按品种划分，每个品种的花萼，花瓣的长度和宽度的最大值分别是多少？ （4）计算每个品种所有属性（花瓣、花萼的长度和宽度）数值的跨度范围，即最大值减去最小值 （5）计算鸢尾花每个品种所有属性（花瓣、花萼的长度和宽度）数值的平均值、最大值

# 输出前6行数据 print(data.head(6)) # 统计每个品种的数量 print(data['species'].value_counts()) # 按品种划分，求每个品种花萼、花瓣的长度和宽度的最大值 max_values = data.groupby('species')[['sepal_...

调库实现 Kmeans 聚类 步骤 3.1：读入 PCA 降维后的二维鸢尾花数据集 二维鸢尾花数据说明： 共 150 样本*（2 列属性项+1 列标记），样本 1-50 为第 1 类（Iris Setosa），第 51-100 样本为第 2 类（Iris Versicolour），第 101-150 样本为第 3 类（Iris Virginica） 步骤 3.2：调用 sklearn 库中的 Kmeans 类进行 K=2 的聚类，得到各样本的所归属 簇的编号 步骤 3.3：调用 matplotlib 的 scatter 函数将聚类后各样本以及聚类中心的可视化 输出（不同簇内的样本用不同的颜色表示）。（也可以调用其他第三方库进行样 本的可视化） 步 骤 3.4 ： 调 用 sklearn 库 中 的 rand_score 、 fowlkes_mallows_score 、 davies_bouldin_score 函数，计算得到外部指标（RI、FMI）和内部指标（DBI）

这段代码中，我们首先读入了经过 PCA 降维后的二维鸢尾花数据集，然后调用了 sklearn 库中的 KMeans 类进行 K=2 的聚类。接着，我们使用 matplotlib 库的 scatter 函数将聚类结果可视化，并调用了 sklearn 库中的 ...

代码实现：读入 PCA 降维后的二维鸢尾花数据集，按 DBSCAN 算法描述的过程完成数据集的聚类处理（设 eps=0.5,min_samples=5）（注意：不得直接调用 sklearn 或其他库中的 Kmeans 或类似函数），并输出聚类结果（簇总数，各样本的所属簇编号），调用 matplotlib 的 scatter 函数将聚类后各样本可视化输出（不同簇内的样本用不同的颜色表示，调用 sklearn 库中函数，计算得到外部指标（RI、FMI）和内部指标

iris = pd.read_csv('iris.csv') X = iris.iloc[:, :-1] y = iris.iloc[:, -1] # PCA降维 pca = PCA(n_components=2) X_pca = pca.fit_transform(X) # DBSCAN聚类 def dbscan(X, eps=0.5, min_samples=5): m, n =...

自编码实现 DBSCAN 聚类 步骤 3.8：读入 PCA 降维后的二维鸢尾花数据集 步骤 3.9：按 DBSCAN 算法描述的过程完成数据集的聚类处理（设 eps=0.5, min_samples=5）（注意：不得直接调用 sklearn 或其他库中的 Kmeans 或类似函 数），并输出聚类结果（簇总数，各样本的所属簇编号）步骤 3.10：调用 matplotlib 的 scatter 函数将聚类后各样本可视化输出（不同簇内 的样本用不同的颜色表示）。（也可以调用其他第三方库进行样本的可视化）

步骤 3.8：读入 PCA 降维后的二维鸢尾花数据集 假设您已经完成了 PCA 降维，将原始数据集降到二维空间中，并将降维后的数据集保存在名为 "iris_pca.csv" 的文件中。现在，您可以使用 pandas 库的 read_csv 函数读取...

读入 PCA 降维后的二维鸢尾花数据集 调用 sklearn 库中 DBSCAN 类进行聚类（设 eps=0.5, min_samples=5）， 得到簇的总数、各样本的所归属簇的编号。调用 sklearn 库中函数，计算得到外部指标（RI、FMI，越大越好）和 内部指标（DBI，越小越好）调用 matplotlib 的 scatter 函数将聚类后各样本可视化输出（不同簇内 的样本用不同的颜色表示）

好的，你的问题是如何读入 PCA 降维后的二维鸢尾花数据集并使用 DBSCAN 进行聚类，以及如何计算聚类的外部指标和内部指标，并可视化聚类结果。 首先，我们需要读入 PCA 降维后的二维鸢尾花数据集。假设数据集被保存...

调库实现 DBSCAN 聚类 步骤 3.1：读入 PCA 降维后的二维鸢尾花数据集 步骤 3.2：调用 sklearn 库中 DBSCAN 类进行聚类（设 eps=0.5, min_samples=5）， 得到簇的总数、各样本的所归属簇的编号。 步骤 3.3：调用 sklearn 库中函数，计算得到外部指标（RI、FMI，越大越好）和 内部指标（DBI，越小越好） 步骤 3.4：调用 matplotlib 的 scatter 函数将聚类后各样本可视化输出（不同簇内 的样本用不同的颜色表示）。（也可以调用其他第三方库进行样本的可视化）

data = pd.read_csv('pca_iris.csv') X = data.iloc[:, :-1].values # 步骤 3.2：调用 sklearn 库中 DBSCAN 类进行聚类 from sklearn.cluster import DBSCAN dbscan = DBSCAN(eps=0.5, min_samples=5) dbscan.fit...

自编码实现 Kmeans 聚类 步骤 读入 PCA 降维后的二维鸢尾花数据集 按 Kmeans 算法描述的过程完成数据集的聚类处理（取 K=2）（注意： 不得直接调用 sklearn 或其他库中的 Kmeans 或类似的类和函数），并输出聚类 结果（各样本的所属簇编号，以及各簇的聚类中心向量）

首先，我们需要读入 PCA 降维后的二维鸢尾花数据集，这里假设数据集已经保存在名为“iris.csv”的文件中。我们可以使用 Python 的 Pandas 库来读取数据集，代码如下： python import pandas as pd # 读取数据集...

c4.5算法代码python鸢尾花

# 读入鸢尾花数据集 data = pd.read_csv('iris.csv') # 定义C4.5算法决策树节点类 class Node: def __init__(self, data, feature_names, target_name): self.data = data self.feature_names = feature_names ...

最新推荐

recommend-type

电动车上牌管理系统 SSM毕业设计 附带论文.zip

电动车上牌管理系统 SSM毕业设计 附带论文 启动教程:https://www.bilibili.com/video/BV1GK1iYyE2B
recommend-type

tornado-6.1-cp39-cp39-manylinux2010_x86_64.whl

tornado-6.1-cp39-cp39-manylinux2010_x86_64.whl
recommend-type

【eclipse和idea两个版本运行源码】基于Java Swing +mysql 实现的网吧管理系统

一、项目简介 本项目是一套基于Java Swing 开发的网吧管理系统，主要针对计算机相关专业的正在做毕设的学生与需要项目实战练习的Java学习者。 包含：项目源码、数据库脚本等，该项目附带全部源码可作为毕设使用。 项目都经过严格调试，确保可以运行！ 该系统功能完善、界面美观、操作简单、功能齐全、管理便捷，具有很高的实际应用价值。 二、技术实现 ​后台技术：java swing ​数据库：MySQL ​数据库连接池：c3p0 三、系统主要功能 用户登录: 分为 普通用户和管理员 两种角色 菜单模块：上机，下机， 系统设置：管理员设置，会员设置，计费设置， 退出系统 管理模块：增加会员，删除会员，信息修改，信息查询 视图模块：主页视图，在线用户，统计视图， 统计报表模块：人数报表，收入报表 帮助模块：联系我们，关于系统 详见：https://blog.csdn.net/weixin_43860634/article/details/125247764
recommend-type

pc-dmis软件脚本-输出Excel格式报告

使用软件自带的basic脚本编辑制作的脚本 低版本软件无法输出Excel报告，可以通过脚本方式实现这一功能
recommend-type

Aspose资源包：转PDF无水印学习工具

资源摘要信息:"Aspose.Cells和Aspose.Words是两个非常强大的库，它们属于Aspose.Total产品家族的一部分，主要面向.NET和Java开发者。Aspose.Cells库允许用户轻松地操作Excel电子表格，包括创建、修改、渲染以及转换为不同的文件格式。该库支持从Excel 97-2003的.xls格式到最新***016的.xlsx格式，还可以将Excel文件转换为PDF、HTML、MHTML、TXT、CSV、ODS和多种图像格式。Aspose.Words则是一个用于处理Word文档的类库，能够创建、修改、渲染以及转换Word文档到不同的格式。它支持从较旧的.doc格式到最新.docx格式的转换，还包括将Word文档转换为PDF、HTML、XAML、TIFF等格式。 Aspose.Cells和Aspose.Words都有一个重要的特性，那就是它们提供的输出资源包中没有水印。这意味着，当开发者使用这些资源包进行文档的处理和转换时，最终生成的文档不会有任何水印，这为需要清洁输出文件的用户提供了极大的便利。这一点尤其重要，在处理敏感文档或者需要高质量输出的企业环境中，无水印的输出可以帮助保持品牌形象和文档内容的纯净性。 此外，这些资源包通常会标明仅供学习使用，切勿用作商业用途。这是为了避免违反Aspose的使用协议，因为Aspose的产品虽然是商业性的，但也提供了免费的试用版本，其中可能包含了特定的限制，如在最终输出的文档中添加水印等。因此，开发者在使用这些资源包时应确保遵守相关条款和条件，以免产生法律责任问题。 在实际开发中，开发者可以通过NuGet包管理器安装Aspose.Cells和Aspose.Words，也可以通过Maven在Java项目中进行安装。安装后，开发者可以利用这些库提供的API，根据自己的需求编写代码来实现各种文档处理功能。 对于Aspose.Cells，开发者可以使用它来完成诸如创建电子表格、计算公式、处理图表、设置样式、插入图片、合并单元格以及保护工作表等操作。它也支持读取和写入XML文件，这为处理Excel文件提供了更大的灵活性和兼容性。 而对于Aspose.Words，开发者可以利用它来执行文档格式转换、读写文档元数据、处理文档中的文本、格式化文本样式、操作节、页眉、页脚、页码、表格以及嵌入字体等操作。Aspose.Words还能够灵活地处理文档中的目录和书签，这让它在生成复杂文档结构时显得特别有用。 在使用这些库时，一个常见的场景是在企业应用中，需要将报告或者数据导出为PDF格式，以便于打印或者分发。这时，使用Aspose.Cells和Aspose.Words就可以实现从Excel或Word格式到PDF格式的转换，并且确保输出的文件中不包含水印，这提高了文档的专业性和可信度。 需要注意的是，虽然Aspose的产品提供了很多便利的功能，但它们通常是付费的。用户需要根据自己的需求购买相应的许可证。对于个人用户和开源项目，Aspose有时会提供免费的许可证。而对于商业用途，用户则需要购买商业许可证才能合法使用这些库的所有功能。"
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

【R语言高性能计算秘诀】：代码优化，提升分析效率的专家级方法

![R语言](https://www.lecepe.fr/upload/fiches-formations/visuel-formation-246.jpg) # 1. R语言简介与计算性能概述 R语言作为一种统计编程语言，因其强大的数据处理能力、丰富的统计分析功能以及灵活的图形表示法而受到广泛欢迎。它的设计初衷是为统计分析提供一套完整的工具集，同时其开源的特性让全球的程序员和数据科学家贡献了大量实用的扩展包。由于R语言的向量化操作以及对数据框（data frames）的高效处理，使其在处理大规模数据集时表现出色。 计算性能方面，R语言在单线程环境中表现良好，但与其他语言相比，它的性能在多
recommend-type

在构建视频会议系统时，如何通过H.323协议实现音视频流的高效传输，并确保通信的稳定性？

要通过H.323协议实现音视频流的高效传输并确保通信稳定，首先需要深入了解H.323协议的系统结构及其组成部分。H.323协议包括音视频编码标准、信令控制协议H.225和会话控制协议H.245，以及数据传输协议RTP等。其中，H.245协议负责控制通道的建立和管理，而RTP用于音视频数据的传输。 参考资源链接：[H.323协议详解：从系统结构到通信流程](https://wenku.csdn.net/doc/2jtq7zt3i3?spm=1055.2569.3001.10343) 在构建视频会议系统时，需要合理配置网守（Gatekeeper）来提供地址解析和准入控制，保证通信安全和地址管理
recommend-type

Go语言控制台输入输出操作教程

资源摘要信息:"在Go语言（又称Golang）中，控制台的输入输出是进行基础交互的重要组成部分。Go语言提供了一组丰富的库函数，特别是`fmt`包，来处理控制台的输入输出操作。`fmt`包中的函数能够实现格式化的输入和输出，使得程序员可以轻松地在控制台显示文本信息或者读取用户的输入。" 1. fmt包的使用 Go语言标准库中的`fmt`包提供了许多打印和解析数据的函数。这些函数可以让我们在控制台上输出信息，或者从控制台读取用户的输入。 - 输出信息到控制台 - Print、Println和Printf是基本的输出函数。Print和Println函数可以输出任意类型的数据，而Printf可以进行格式化输出。 - Sprintf函数可以将格式化的字符串保存到变量中，而不是直接输出。 - Fprint系列函数可以将输出写入到`io.Writer`接口类型的变量中，例如文件。 - 从控制台读取信息 - Scan、Scanln和Scanf函数可以读取用户输入的数据。 - Sscan、Sscanln和Sscanf函数则可以从字符串中读取数据。 - Fscan系列函数与上面相对应，但它们是将输入读取到实现了`io.Reader`接口的变量中。 2. 输入输出的格式化 Go语言的格式化输入输出功能非常强大，它提供了类似于C语言的`printf`和`scanf`的格式化字符串。 - Print函数使用格式化占位符 - `%v`表示使用默认格式输出值。 - `%+v`会包含结构体的字段名。 - `%#v`会输出Go语法表示的值。 - `%T`会输出值的数据类型。 - `%t`用于布尔类型。 - `%d`用于十进制整数。 - `%b`用于二进制整数。 - `%c`用于字符（rune）。 - `%x`用于十六进制整数。 - `%f`用于浮点数。 - `%s`用于字符串。 - `%q`用于带双引号的字符串。 - `%%`用于百分号本身。 3. 示例代码分析 在文件main.go中，可能会包含如下代码段，用于演示如何在Go语言中使用fmt包进行基本的输入输出操作。 ```go package main import "fmt" func main() { var name string fmt.Print("请输入您的名字: ") fmt.Scanln(&name) // 读取一行输入并存储到name变量中 fmt.Printf("你好, %s!\n", name) // 使用格式化字符串输出信息 } ``` 以上代码首先通过`fmt.Print`函数提示用户输入名字，并等待用户从控制台输入信息。然后`fmt.Scanln`函数读取用户输入的一行信息（包括空格），并将其存储在变量`name`中。最后，`fmt.Printf`函数使用格式化字符串输出用户的名字。 4. 代码注释和文档编写 在README.txt文件中，开发者可能会提供关于如何使用main.go代码的说明，这可能包括代码的功能描述、运行方法、依赖关系以及如何处理常见的输入输出场景。这有助于其他开发者理解代码的用途和操作方式。 总之，Go语言为控制台输入输出提供了强大的标准库支持，使得开发者能够方便地处理各种输入输出需求。通过灵活运用fmt包中的各种函数，可以轻松实现程序与用户的交互功能。
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