一、比较不同值

以B为基准列，A为待查找列，根据B找出A相对于B的同行不同值，主要有两种方法：

（1）条件格式

  •  选中A列，【开始】-【条件格式】-【新建规则】-【使用公式确定要设置格式的单元格】；
  • 输入公式：（<>表示“不等于”，$用于固定列），设置高格式（如高亮）

=$A2<>$B2

（2）辅助列输入函数

  • C列输入公式，然后向下填充：

=IF($A2<>$B2,"不同","")

IF函数解释：IF(条件，条件为真时输出的“内容”，条件为假时输入的“内容”)

二、比较缺失值

给定两列数据，我想要以A列数据为基准，找出B列数据相对于A列的缺失值/文本，以下是具体操作步骤：

（1）已知A列（A1:A100）为基准列，B列（B2:B99）为比对列，在B列右侧插入空白列，在首格输入：

=IF(ISNA(MATCH(A2,$B$2:$B$31,0)),"缺失","")

（2）点击加号填充柄，把上述公式填充到C列全列，最后B列相对于A列的缺失值就会在C列的对应行显示“缺失”。

Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

【DQN实现避障控制】搭建神经网络，基于DQN算法、优先级采样的DQN算法、DQN+人工势场实现避障控制研究附Matlab、Python代码

移动机器人在未知动态环境下的自主避障是实现自主导航的核心关键技术，传统人工势场法存在局部最优陷阱、目标不可达的固有缺陷，常规DQN算法存在样本利用效率低、训练收敛不稳定的问题。本研究基于PyTorch深度学习框架，完整搭建标准DQN、优先级采样DQN、DQN+人工势场融合三类避障控制算法，在栅格化动态障碍物仿真环境中完成系统性对比验证。测试结果表明，优先级采样DQN通过对高价值样本的重点回放，训练

avatar DAMO开发者矩阵

【DQN实现避障控制】搭建神经网络，基于DQN算法、优先级采样的DQN算法、DQN+人工势场实现避障控制研究附Matlab、Python代码

移动机器人在未知动态环境下的自主避障是实现自主导航的核心关键技术，传统人工势场法存在局部最优陷阱、目标不可达的固有缺陷，常规DQN算法存在样本利用效率低、训练收敛不稳定的问题。本研究基于PyTorch深度学习框架，完整搭建标准DQN、优先级采样DQN、DQN+人工势场融合三类避障控制算法，在栅格化动态障碍物仿真环境中完成系统性对比验证。测试结果表明，优先级采样DQN通过对高价值样本的重点回放，训练

avatar DAMO开发者矩阵

【DQN实现避障控制】搭建神经网络，基于DQN算法、优先级采样的DQN算法、DQN+人工势场实现避障控制研究附Matlab、Python代码

移动机器人在未知动态环境下的自主避障是实现自主导航的核心关键技术，传统人工势场法存在局部最优陷阱、目标不可达的固有缺陷，常规DQN算法存在样本利用效率低、训练收敛不稳定的问题。本研究基于PyTorch深度学习框架，完整搭建标准DQN、优先级采样DQN、DQN+人工势场融合三类避障控制算法，在栅格化动态障碍物仿真环境中完成系统性对比验证。测试结果表明，优先级采样DQN通过对高价值样本的重点回放，训练

avatar DAMO开发者矩阵