def save_to_sql(): df = ps.read_csv("./datas.csv",index_col=0) df.to_sql('movies_cop',con=engine,index=False,if_exists ='append')

时间: 2024-06-01 11:10:17 浏览: 143
7Z

（学习用）电影数据库“movies.csv”

star5星 · 资源好评率100%
This function reads a CSV file named "datas.csv" and saves its contents to a SQL database table named "movies_cop". The function uses the pandas library to read the CSV file and convert it into a pandas DataFrame. It then uses the to_sql method to save the DataFrame to the SQL database using the provided SQLalchemy engine. The if_exists parameter is set to 'append', which means that if the table already exists, the data will be added to the existing data.
阅读全文

相关推荐

rar

保存文件至SQL

将图片文件以二进制的方式保存到MSSQL数据库中。
zip

直接从CSV文件批量复制/插入到SQL

无需任何Windows应用程序即可直接将数据从CSV文件浏览并复制到SQL ...

def huifeikouchu_login(request): if request.method in ["POST", "GET"]: msg = {'code': normal_code, "msg": mes.normal_code} req_dict = request.session.get("req_dict") datas = huifeikouchu.getbyparams(huifeikouchu, huifeikouchu, req_dict) if not datas: msg['code'] = password_error_code msg['msg'] = mes.password_error_code return JsonResponse(msg) try: __sfsh__= huifeikouchu.__sfsh__ except: __sfsh__=None if __sfsh__=='是': if datas[0].get('sfsh')!='是': msg['code']=other_code msg['msg'] = "账号已锁定，请联系管理员审核!" return JsonResponse(msg) req_dict['id'] = datas[0].get('id') return Auth.authenticate(Auth, huifeikouchu, req_dict)

这是一个Django的视图函数，用于处理前端发送的请求。如果请求的方法是POST或GET，会从会话中获取一个名为'req_dict'的字典，然后调用huifeikouchu.getbyparams()函数来获取指定条件下的数据。...如果获取到了数据，则...

to_csv_name = 'basic.csv' to_csv_path = os.path.join(os.path.abspath( os.path.join(os.path.join(os.path.dirname(__file__), ".."), 'static/spider/data')), to_csv_name) pd_datas = pd.read_csv(to_csv_path, encoding='utf-8').to_dict(orient='record') to_data = []

具体来说，该代码使用了Pandas库的read_csv函数读取CSV文件，并使用to_dict方法将DataFrame对象转换为字典对象。其中，orient参数指定了字典的形式，'record'表示每行数据将转换为一个字典对象。

def data_write_csv(file_name, datas): file_csv = codecs.open(file_name,'w+','utf-8') writer = csv.writer(file_csv, delimiter=',', quoting=csv.QUOTE_MINIMAL) for data in datas: writer.writerow(data) print("write succ!!")

这段代码定义了一个名为 data_write_csv 的函数，用于将数据写入到 CSV 文件中。具体来说，该函数接受两个参数：file_name 表示要写入的文件名，datas 表示要写入的数据列表。 在函数内部，首先使用 codecs....

解释下面的代码 def users_login(request): if request.method in ["POST", "GET"]: msg = {'code': normal_code, "msg": mes.normal_code} req_dict = request.session.get("req_dict") if req_dict.get('role')!=None: del req_dict['role'] datas = users.getbyparams(users, users, req_dict) if not datas: msg['code'] = password_error_code msg['msg'] = mes.password_error_code return JsonResponse(msg) req_dict['id'] = datas[0].get('id') return Auth.authenticate(Auth, users, req_dict)

这段代码实现了一个名为 users_login 的视图函数，用于处理用户登录请求。该函数使用了 Django 框架的 request 对象，判断请求方法是否为 POST 或 GET，如果是则分别执行相应的处理逻辑。在函数中定义了一个名为...

import threading from threading import Thread,Timer class LinkReal(): #global datas datas = [] datareceive = None t = None @staticmethod def start(): LinkReal.datareceive = Thread(target=LinkReal.startt()) LinkReal.datareceive.start() lock = threading.RLock() @staticmethod def startt(): LinkReal.t = Timer(3,LinkReal.save) while True: LinkReal.datas.append(1) @staticmethod def save(): #LinkReal.lock.acquire() datass = LinkReal.datas.copy() LinkReal.datas.clear() for d in datass: print(d) # 按间距中的绿色按钮以运行脚本。 if __name__ == '__main__': LinkReal.start() 我的这个代码中的save函数为什么不执行呢？

你的代码中，save() 函数没有被执行是因为 Timer 对象的 start() 方法没有被调用。在 startt() 函数中，你需要手动调用 t.start() 启动计时器，才能触发 save() 函数的执行。 修改代码如下： ...

调试并运行下述案例代码，给代码做注释。在此基础上补充票房 TOP10 的柱状 图展示。 import pandas as pd import numpy as np from matplotlib import pyplot as plt from matplotlib.ticker import MultipleLocator datas = pd.read_csv(r'2015-2020.txt', index_col=0) datas = datas.sort_index(ascending=False) datas = pd.DataFrame(datas.values, index=range(1, 11), \ columns=datas.columns) data2020 = pd.read_csv(r'2020.txt') def drawLines(): ax = plt.subplot(131) for date in datas.columns: plt.plot([10 - i for i in range(datas.shape[0])], \ datas[date], label=date) plt.ylim(0, 600000) ymajorLocator = MultipleLocator(50000) xmajorLocator = MultipleLocator(1) ax.yaxis.set_major_locator(ymajorLocator) ax.xaxis.set_major_locator(xmajorLocator) plt.title('2015-2020 年度票房 Top10 折线图') plt.xlabel('票房名次') plt.grid() plt.legend() def drawPie(): plt.subplot(233) plt.pie(datas['2019'], autopct='%1.1f%%') plt.title('2019 年度票房 Top10 饼图') plt.subplot(236) plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['font.family'] = 'sans-serif' plt.pie(data2020['boxoffice'], autopct='%1.1f%%', \ labels=data2020['name']) plt.title('2020 年度票房 Top10 饼图') if __name__ == '__main__': plt.subplots(figsize=(20, 8)) drawLines() drawPie() plt.show()

datas = pd.read_csv(r'2015-2020.txt', index_col=0) datas = datas.sort_index(ascending=False) # 将数据转换为 DataFrame 格式，索引是票房排名，列是年份 datas = pd.DataFrame(datas.values, index=range(1, ...

@app.route('/index', methods=['GET', 'POST']) def index(): stu_id = session.get('stu_id') datas = models.User.query.get(stu_id) if not datas: return redirect(url_for('login')) if request.method == 'GET': results = models.Case_item.query.all() return render_template('projects/table_s.html', datas=datas, results=results)

首先从session中获取学生ID（stu_id），然后从User表中查询该学生的信息（datas）。如果没有获取到学生信息，则重定向到登录页面。如果请求方式是GET，则从Case_item表中查询所有记录（results），并将学生信息和...

import pandas as pd import numpy as np from sklearn.cluster import DBSCAN from sklearn import metrics from sklearn.cluster import KMeans import os def dbscan(input_file): ## 纬度在前，经度在后 [latitude, longitude] columns = ['lat', 'lon'] in_df = pd.read_csv(input_file, sep=',', header=None, names=columns) # represent GPS points as (lat, lon) coords = in_df.as_matrix(columns=['lat', 'lon']) # earth's radius in km kms_per_radian = 6371.0086 # define epsilon as 0.5 kilometers, converted to radians for use by haversine # This uses the 'haversine' formula to calculate the great-circle distance between two points # that is, the shortest distance over the earth's surface # http://www.movable-type.co.uk/scripts/latlong.html epsilon = 0.5 / kms_per_radian # radians() Convert angles from degrees to radians db = DBSCAN(eps=epsilon, min_samples=15, algorithm='ball_tree', metric='haversine').fit(np.radians(coords)) cluster_labels = db.labels_ # get the number of clusters (ignore noisy samples which are given the label -1) num_clusters = len(set(cluster_labels) - set([-1])) print('Clustered ' + str(len(in_df)) + ' points to ' + str(num_clusters) + ' clusters') # turn the clusters in to a pandas series # clusters = pd.Series([coords[cluster_labels == n] for n in range(num_clusters)]) # print(clusters) kmeans = KMeans(n_clusters=1, n_init=1, max_iter=20, random_state=20) for n in range(num_clusters): # print('Cluster ', n, ' all samples:') one_cluster = coords[cluster_labels == n] # print(one_cluster[:1]) # clist = one_cluster.tolist() # print(clist[0]) kk = kmeans.fit(one_cluster) print(kk.cluster_centers_) def main(): path = './datas' filelist = os.listdir(path) for f in filelist: datafile = os.path.join(path, f) print(datafile) dbscan(datafile) if __name__ == '__main__': main()

这是一个 Python 代码，主要使用了 Pandas、NumPy、sklearn.cluster 等库实现了 DBSCAN 和 KMeans 聚类算法。代码读入了一个文件夹中的多个文件，每个文件都是 GPS 坐标点的经纬度信息，然后使用 DBSCAN 算法进行...

from flask import request, render_template,session,redirect, url_for from models import * import models from sqlalchemy import or_,and_ @app.route('/', methods=['GET', 'POST']) @app.route('/index', methods=['GET', 'POST']) def index(): uuid = session.get('uuid') if not User.query.get(uuid): return redirect(url_for('login')) if request.method == 'GET': search = request.args.get('search', '') if search: datas = KeCheng.query.filter(and_(KeCheng.name.like("%{}%".format(search)))).all() else: datas = KeCheng.query.all() return render_template('app/table.html',**locals())注释这段代码

该路由定义了两个 URL，一个是根目录 '/'，另一个是 '/index'，两者的处理逻辑相同。在处理 GET 请求时，代码首先获取 session 中保存的 uuid，如果 uuid 不存在或者对应的用户不存在，就重定向到登录页面。如果存在...

import pandas as pd import numpy as np from sklearn.model_selection import train_test_split 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') 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, stratify=None, shuffle=True, random_state=0) # 划分带标签数据集 labeled_size = 0.3 n_labeled = int(labeled_size * len(X_train)) indices = np.arange(len(X_train)) unlabeled_indices = np.delete(indices, y_train.index[:n_labeled]) X_unlabeled = X_train.iloc[unlabeled_indices] y_unlabeled = y_train.iloc[unlabeled_indices] X_labeled = X_train.iloc[y_train.index[:n_labeled]] y_labeled = y_train.iloc[y_train.index[:n_labeled]] from sklearn import preprocessing pre_transform=preprocessing.StandardScaler() pre_transform.fit(np.vstack([train_datas, test_datas])) train_datas=pre_transform.transform(train_datas) test_datas=pre_transform.transform(train_datas) from LAMDA_SSL.Algorithm.Regression.CoReg import CoReg model=CoReg() model.fit(X=train_datas,y=labeled_y,test_datas=unlabeled_X) pred_y=model.predict(X=test_X) from LAMDA_SSL.Evaluation.Regressor.Mean_Squared_Error import Mean_Squared_Error performance = Mean_Squared_Error().scoring(test_y, pred_y)帮我看一下这段代码有什么问题？怎么修改？

在代码中，预处理部分中使用了未定义的变量 train_datas 和 test_datas，应该将其改为 X_train 和 X_test。 另外，在调用 CoReg 模型时，传入的参数名 test_datas 应该改为 unlabeled_X，因为在之前...

优化这段代码#csv_combline #encoding = utf-8 import os import csv path = "D:\csv_test\\" for files in os.listdir(path): datas = [] #读取csv文件 for fname in os.listdir(path): if 'csv' in fname: fname_path = path + fname with open(fname_path,'r',encoding = 'latin1') as path: reader = csv.reader(path) #去掉表头第0行，从第一行开始copy数据 reader = list(reader)[1:] for line in render: datas.append(line) eccel_name = 'excle汇总.csv' csv_head = ['name','aaa','bbb'] with open(excel_name,'w') as path: writer = csv.writer(path) #写表头 writer.writerow(csv_head) writer.writerows(datas) print('exlce.csv合并完成')

def combine_csv_files(src_dir, dest_file): csv_head = ['name', 'aaa', 'bbb'] data_rows = [] try: for file_name in os.listdir(src_dir): if file_name.endswith('.csv'): file_path = os.path.join(src...

def _to_tensor(self, datas): x = torch.LongTensor([_[0] for _ in datas]).to(self.device) y = torch.LongTensor([_[1] for _ in datas]).to(self.device) # pad前的长度(超过pad_size的设为pad_size) seq_len = torch.LongTensor([_[2] for _ in datas]).to(self.device) return (x, seq_len), y

这段代码定义了一个 _to_tensor 函数，用于将一个批次的数据转换成 PyTorch 张量。该函数的输入参数是一个数据列表，其中每个元素为一个三元组，分别表示一个文本序列、其对应的标签和序列的长度。该函数首先将每...

import pandas as pd import numpy as np # 导入数据 df = pd.read_csv("E:\data2.csv") # 根据label列分组并计数 df_label = df.groupby("LBDSCHSI").size() # 转化为作图所需要的array格式，如：([[ 0, 37536],[ 1, 12322]]) datas = list(zip(df_label.index.to_list(), df_label.to_list())) datas= np.array([[0,2.83],[2.83,5.20],[5.20,6.45],[6.45,8.0]]) # 绘制饼图 import matplotlib.pyplot as plt # 设置字体和编码格式 plt.rcParams['font.sans-serif'] = 'simhei' plt.rcParams['axes.unicode_minus'] = False # 添加数据，标签，比例 plt.pie(datas[:, 1],labels=datas[:, 0],autopct="%.2f%%") # 在右上方添加图例 plt.legend(datas[:, 0], loc="upper right") # 添加标题 plt.title("LBDSCHSI(胆固醇)含量分析") # 展示饼图 plt.show()

- list(zip(df_label.index.to_list(), df_label.to_list())) 将分组计数结果转化为一个列表，其中每个元素都是一个元组，包含了 LBDSCHSI 值和对应的计数值。 - np.array([[0, 2.83], [2.83, 5.20], [5.20, 6.45...

try: df = pd.concat(Datas,ignore_index=False) df.drop_duplicates([ ‘比赛编号’, ‘判断’,‘半场比分’,‘比分’], keep=‘first’, inplace=True)

具体来说，这段代码首先使用concat()函数将列表Datas中的多个数据集按照行的方式进行拼接，生成一个名为df的新数据集。然后，使用drop_duplicates()函数对df数据集进行处理，去除其中指定列（‘比赛编号’, ‘判断’...
pdf

php将csv文件导入到mysql数据库的方法

主要介绍了php将csv文件导入到mysql数据库的方法,通过读取csv文件到数组再调用while循环实现插入数据到数据库,是非常实用的技巧,需要的朋友可以参考下
zip

毕设和企业适用springboot企业数据管理平台类及跨境电商管理平台源码+论文+视频.zip

毕设和企业适用springboot企业数据管理平台类及跨境电商管理平台源码+论文+视频
zip

基于net的超市管理系统源代码（完整前后端+sqlserver+说明文档+LW）.zip

功能说明： 环境说明： 开发软件：VS 2017 （版本2017以上即可，不能低于2017） 数据库：SqlServer2008r2（数据库版本无限制，都可以导入） 开发模式：mvc。。。

最新推荐

recommend-type

毕设和企业适用springboot企业数据管理平台类及跨境电商管理平台源码+论文+视频.zip

毕设和企业适用springboot企业数据管理平台类及跨境电商管理平台源码+论文+视频
recommend-type

基于net的超市管理系统源代码（完整前后端+sqlserver+说明文档+LW）.zip

功能说明： 环境说明： 开发软件：VS 2017 （版本2017以上即可，不能低于2017） 数据库：SqlServer2008r2（数据库版本无限制，都可以导入） 开发模式：mvc。。。
recommend-type

LABVIEW程序实例-公式节点.zip

labview程序代码参考学习使用，希望对你有所帮助。
recommend-type

毕设和企业适用springboot社交应用平台类及用户数据分析平台源码+论文+视频.zip

毕设和企业适用springboot社交应用平台类及用户数据分析平台源码+论文+视频
recommend-type

Windows平台下的Fastboot工具使用指南

资源摘要信息:"Windows Fastboot.zip是一个包含了Windows环境下使用的Fastboot工具的压缩文件。Fastboot是一种在Android设备上使用的诊断和工程工具，它允许用户通过USB连接在设备的bootloader模式下与设备通信，从而可以对设备进行刷机、解锁bootloader、安装恢复模式等多种操作。该工具是Android开发者和高级用户在进行Android设备维护或开发时不可或缺的工具之一。" 知识点详细说明: 1. Fastboot工具定义： Fastboot是一种与Android设备进行交互的命令行工具，通常在设备的bootloader模式下使用，这个模式允许用户直接通过USB向设备传输镜像文件以及其他重要的设备分区信息。它支持多种操作，如刷写分区、读取设备信息、擦除分区等。 2. 使用环境： Fastboot工具原本是Google为Android Open Source Project（AOSP）提供的一个组成部分，因此它通常在Linux或Mac环境下更为原生。但由于Windows系统的普及性，许多开发者和用户需要在Windows环境下操作，因此存在专门为Windows系统定制的Fastboot版本。 3. Fastboot工具的获取与安装： 用户可以通过下载Android SDK平台工具（Platform-Tools）的方式获取Fastboot工具，这是Google官方提供的一个包含了Fastboot、ADB（Android Debug Bridge）等多种工具的集合包。安装时只需要解压到任意目录下，然后将该目录添加到系统环境变量Path中，便可以在任何位置使用Fastboot命令。 4. Fastboot的使用： 要使用Fastboot工具，用户首先需要确保设备已经进入bootloader模式。进入该模式的方法因设备而异，通常是通过组合特定的按键或者使用特定的命令来实现。之后，用户通过运行命令提示符或PowerShell来输入Fastboot命令与设备进行交互。常见的命令包括： - fastboot devices：列出连接的设备。 - fastboot flash [partition] [filename]：将文件刷写到指定分区。 - fastboot getvar [variable]：获取指定变量的值。 - fastboot reboot：重启设备。 - fastboot unlock：解锁bootloader，使得设备能够刷写非官方ROM。 5. Fastboot工具的应用场景： - 设备的系统更新或刷机。 - 刷入自定义恢复（如TWRP）。 - 在开发阶段对设备进行调试。 - 解锁设备的bootloader，以获取更多的自定义权限。 - 修复设备，例如清除用户数据分区或刷写新的boot分区。 - 加入特定的内核或修改系统分区。 6. 注意事项： 在使用Fastboot工具时需要格外小心，错误的操作可能会导致设备变砖或丢失重要数据。务必保证操作前已备份重要数据，并确保下载和刷入的固件是针对相应设备的正确版本。此外，不同的设备可能需要特定的驱动程序支持，因此在使用Fastboot之前还需要安装相应的USB驱动。 7. 压缩包文件说明： 资源中提到的"windows-fastboot.zip"是一个压缩文件，解压后应当包含一个或多个可执行文件、库文件等，这些文件合起来组成了Fastboot工具的Windows版本。解压后，用户应当参考解压后的文档或说明文件来进行安装和配置，以便能够正确地使用该工具。 总结而言，Fastboot作为一个功能强大的工具，它为Android设备的开发者和高级用户提供了一个界面简洁但功能全面的操作平台，以实现对设备深层次的控制。然而，它的使用要求用户具备一定的技术知识和经验，否则不当操作可能导致设备损坏。因此，使用Fastboot时应当谨慎并确保自己了解每个命令的具体含义和后果。
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

DLMS规约深度剖析：从基础到电力通信标准的全面掌握

![DLMS规约基础介绍](https://afteracademy.com/images/what-is-data-model-in-dbms-and-what-are-its-types-hierarchical-model-48add64778fd4b8f.jpg) # 摘要 DLMS/COSEM是一种广泛应用于智能电网和电力计量领域的通信协议。本文首先介绍了DLMS规约的基础概念、起源以及核心技术原理，包括协议架构、数据模型、通信过程、数据封装与传输机制。随后，文章探讨了DLMS规约在电力通信中的实际应用，如智能电表和电网自动化系统的数据通信，并分析了DLMS规约的测试与验证方法。文
recommend-type

修改代码，使其正确运行

要使提供的代码能够正确运行，需要解决以下几个关键点： 1. **输入处理**：确保从控制台读取的文法规则和待解析字符串格式正确。 2. **FIRST集和FOLLOW集计算**：确保FIRST集和FOLLOW集的计算逻辑正确无误。 3. **预测分析表构建**：确保预测分析表的构建逻辑正确，并且能够处理所有可能的情况。 4. **LL(1)分析器**：确保LL(1)分析器能够正确解析输入字符串并输出解析过程。 以下是经过修改后的完整代码： ```java package com.example.demo10; import java.util.*; public class Main
recommend-type

Python机器学习基础入门与项目实践

资源摘要信息:"机器学习概述与Python在机器学习中的应用" 机器学习是人工智能的一个分支，它让计算机能够通过大量的数据学习来自动寻找规律，并据此进行预测或决策。机器学习的核心是建立一个能够从数据中学习的模型，该模型能够在未知数据上做出准确预测。这一过程通常涉及到数据的预处理、特征选择、模型训练、验证、测试和部署。 机器学习方法主要可以分为监督学习、无监督学习、半监督学习和强化学习。 监督学习涉及标记好的训练数据，其目的是让模型学会从输入到输出的映射。在这个过程中，模型学习根据输入数据推断出正确的输出值。常见的监督学习算法包括线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林和神经网络等。 无监督学习则是处理未标记的数据，其目的是探索数据中的结构。无监督学习算法试图找到数据中的隐藏模式或内在结构。常见的无监督学习算法包括聚类、主成分分析（PCA）、关联规则学习等。 半监督学习和强化学习则是介于监督学习和无监督学习之间的方法。半监督学习使用大量未标记的数据和少量标记数据进行学习，而强化学习则是通过与环境的交互来学习如何做出决策。 Python作为一门高级编程语言，在机器学习领域中扮演了非常重要的角色。Python之所以受到机器学习研究者和从业者的青睐，主要是因为其丰富的库和框架、简洁易读的语法以及强大的社区支持。 在Python的机器学习生态系统中，有几个非常重要的库： 1. NumPy：提供高性能的多维数组对象，以及处理数组的工具。 2. Pandas：一个强大的数据分析和操作工具库，提供DataFrame等数据结构，能够方便地进行数据清洗和预处理。 3. Matplotlib：一个用于创建静态、动态和交互式可视化的库，常用于生成图表和数据可视化。 4. Scikit-learn：一个简单且高效的工具，用于数据挖掘和数据分析，支持多种分类、回归、聚类算法等。 5. TensorFlow：由Google开发的开源机器学习库，适用于大规模的数值计算，尤其擅长于构建和训练深度学习模型。 6. Keras：一个高层神经网络API，能够使用TensorFlow、CNTK或Theano作为其后端进行计算。 机器学习的典型工作流程包括数据收集、数据预处理、特征工程、模型选择、训练、评估和部署。在这一流程中，Python可以贯穿始终，从数据采集到模型部署，Python都能提供强大的支持。 由于机器学习的复杂性，一个成功的机器学习项目往往需要跨学科的知识，包括统计学、数学、计算机科学、数据分析等领域。因此，掌握Python及其相关库的使用只是机器学习工作的一部分，还需要有扎实的理论基础和实践经验。 总结来说，机器学习是一个涉及数据挖掘、统计分析、算法优化等多个领域的综合性科学。Python由于其简洁的语法、丰富的库支持和强大的社区力量，成为了进行机器学习研究和应用开发的首选语言。随着技术的不断进步和算法的持续优化，机器学习的应用领域也在不断扩大，从早期的搜索引擎、推荐系统到现代的自动驾驶、医疗诊断等领域都有着广泛的应用。
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