python深度学习的代码，引用execl的数据，共计21个标签

### 回答1：
以下是一个基于Python深度学习的代码示例，用于从Excel文件中读取数据并进行分类：

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

# 从Excel文件中读取数据
data = pd.read_excel("data.xlsx")

# 将数据拆分为输入和输出
X = data.iloc[:, :-21].values # 输入数据
y = data.iloc[:, -21:].values # 输出标签

# 将标签转换为独热编码
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder_y = LabelEncoder()
y = labelencoder_y.fit_transform(y)
onehotencoder = OneHotEncoder(categorical_features = [0])
y = onehotencoder.fit_transform(y.reshape(-1,1)).toarray()

# 创建模型
model = Sequential()
model.add(Dense(units=64, activation='relu', input_dim=X.shape[1]))
model.add(Dense(units=21, activation='softmax'))

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

# 训练模型
model.fit(X, y, epochs=10, batch_size=32)

# 使用模型进行预测
y_pred = model.predict(X_test)

在这个示例中，我们首先使用pandas库从Excel文件中读取数据。然后，我们将数据拆分为输入（X）和输出（y）部分。我们使用sklearn库中的LabelEncoder和OneHotEncoder来将标签转换为独热编码形式。

接下来，我们创建了一个基于Sequential模型的神经网络，并使用compile()方法编译模型。我们选择了categorical_crossentropy作为损失函数，并使用Adam优化器进行优化。

最后，我们使用fit()方法对模型进行训练，并使用predict()方法对测试数据进行预测。

请注意，这只是一个基本示例，需要根据实际情况进行修改和调整。

### 回答2：
使用Python进行深度学习的代码，可以通过以下步骤引用Excel数据，并且这个Excel文件包含了21个标签：

1. 首先，需要安装相应的Python库，例如pandas和numpy，你可以使用以下命令进行安装：

   pip install pandas numpy

2. 导入所需的库：

   import pandas as pd
   import numpy as np

3. 使用pandas库读取Excel文件：

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

4. 提取所需的数据和标签：

   labels = data.columns[:21]  # 假设标签在前21列
   features = data.iloc[:, 21:]  # 假设数据从第22列开始

5. 确认数据的维度和内容：

   print(labels)  # 输出标签名称
   print(features)  # 输出数据的内容

这样，你就可以使用Python深度学习库（如TensorFlow、PyTorch等）来处理features和labels，进行模型的训练和预测了。

### 回答3：
在使用Python进行深度学习时，我们可以使用各种工具和库来读取并处理Excel中的数据。对于包含21个标签的Excel文件，我们可以使用Python中的pandas库来读取数据。

首先，需要安装pandas库（如果未安装的话），可以通过在终端或命令提示符中运行以下命令来安装pandas：

pip install pandas

安装完成后，可以通过以下代码读取Excel文件：

import pandas as pd

# 读取Excel文件
data = pd.read_excel('文件路径.xlsx')

# 检查数据
print(data.head())

此代码假设Excel文件名为"文件路径.xlsx"，请根据实际情况更改文件路径。通过read_excel函数读取Excel文件，并将数据存储在data变量中。

接下来，你可以根据需要对数据进行预处理和准备，以供深度学习模型使用。可能的预处理操作包括数据清洗、缺失值处理、特征工程等。

最后，你可以使用Keras、TensorFlow等深度学习框架来构建模型，并使用读取的Excel数据进行训练和预测。

总之，Python中的pandas库可以帮助我们读取Excel文件中的数据，并通过深度学习模型来处理和分析这些数据。希望这个简短的回答对你有帮助！