考试须知¶

1.填写自己的学号姓名班级等信息，包括文件名以及下面的考生信息。¶

2.将考试文件代码填写完整，如果提示警告，可以忽略。¶

3.最终保存成html格式文件交回。点击左上角file选项，选择download as，再选择HTML，将文件保存成html格式文件。¶

4.考生信息不完整，最终提交文件不是html格式文件等格式问题将酌情扣分。¶

考生信息¶

  • 姓名：宋立群
  • 学号：20407137
  • 班级：计科2001班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [1]:
# 计算 1!+2!+3!+...20! 的和

# 定义一个变量用于存储总和
total = 0

# 循环计算每个数的阶乘并累加到总和中
for i in range(1, 21):
    factorial = 1
    for j in range(1, i + 1):
        factorial *= j
    total += factorial

# 输出结果
print(total)

2561327494111820313

2.编写程序，求列表s=[9,7,8,3,2,1,55,6]中元素的个数、最大数和最小数。并在列表s中添加一个元素10，从列表s中删除一个元素55。¶

In [2]:
# 定义列表
s = [9, 7, 8, 3, 2, 1, 55, 6]

# 求元素个数、最大值和最小值
count = len(s)
maximum = max(s)
minimum = min(s)
print("元素个数：", count)
print("最大数：", maximum)
print("最小数：", minimum)

# 添加元素10并删除元素55
s.append(10)
s.remove(55)
print("添加元素10后的列表为：", s)

元素个数： 8
最大数： 55
最小数： 1
添加元素10后的列表为： [9, 7, 8, 3, 2, 1, 6, 10]

3.编写程序，用循环打印如下图形，不用循环0分¶

TTTTTx
TTTTxx
TTTxxx
TTxxxx
Txxxxx
In [48]:
# 外层循环控制行数
T = 'T'
x = 'x'
length = 6
for i in range(1, length):
    print(T * (length - i) + x * i)

TTTTTx
TTTTxx
TTTxxx
TTxxxx
Txxxxx

4.编写程序，设计一个计算器，用户输入数字选择功能（1-4），其中功能1为加法，2为减法，3为乘法，4为除法，用函数定义加减乘除，然后用户输入两个数字，最终计算出两个数字的相应的加减乘除结果。¶

In [9]:
# 定义加法函数
def add(x, y):
    return x + y

# 定义减法函数
def subtract(x, y):
    return x - y

# 定义乘法函数
def multiply(x, y):
    return x * y

# 定义除法函数
def divide(x, y):
    if y == 0:
        print("除数不能为零！")
        return None
    else:
        return x / y

# 打印菜单
print("请选择您需要的功能：")
print("1. 加法")
print("2. 减法")
print("3. 乘法")
print("4. 除法")

# 获取用户输入
choice = input("请输入要使用的功能序号（1/2/3/4）：")
num1 = float(input("请输入第一个数字："))
num2 = float(input("请输入第二个数字："))

# 根据用户选择进行相应计算并输出结果
if choice == '1':
    print(num1, "+", num2, "=", add(num1, num2))
elif choice == '2':
    print(num1, "-", num2, "=", subtract(num1, num2))
elif choice == '3':
    print(num1, "*", num2, "=", multiply(num1, num2))
elif choice == '4':
    result = divide(num1, num2)
    if result is not None:
        print(num1, "/", num2, "=", result)
else:
    print("抱歉，您输入的功能序号有误，请重新运行程序。")

请选择您需要的功能：
1. 加法
2. 减法
3. 乘法
4. 除法
请输入要使用的功能序号（1/2/3/4）：3
请输入第一个数字：1
请输入第二个数字：37
1.0 * 37.0 = 37.0

5.编写程序，定义一个学生类，类属性包括姓名（name）、年龄（age）和成绩（course）[语文、数学、英语]，每科成绩的类型为整数。在类方法中，使用get_name函数获取学生的姓名，返回str类型；使用get_age函数获取学生的年龄，返回int类型；使用get_course函数返回3门科目中最高分数，返回int类型。写好类后，用st=Student('zhangming'，20，[69，88，100])测试，并输出结果。¶

In [10]:
# 定义学生类
class Student:
    def __init__(self, name, age, course):
        self.name = name     # 姓名
        self.age = age       # 年龄
        self.course = course # 成绩列表

    def get_name(self):
        return self.name

    def get_age(self):
        return self.age

    def get_course(self):
        return max(self.course)

# 实例化一个学生对象，并打印其姓名、年龄和最高分
st = Student('zhangming', 20, [69, 88, 100])
print("学生姓名：", st.get_name())
print("学生年龄：", st.get_age())
print("最高分数：", st.get_course())

学生姓名： zhangming
学生年龄： 20
最高分数： 100

6.编写程序，根据下表的数据绘制柱状图（条形图）¶

X Y X Y
-3.00 4 0.15 255
-2.50 12 0.75 170
-1.75 50 1.25 100
-1.15 120 1.85 20
-0.50 205 2.45 14
In [17]:
import matplotlib.pyplot as plt

# 手动输入数据
x = [-3.00, -2.50, -1.75, -1.15, -0.50, 0.15, 0.75, 1.25, 1.85, 2.45]
y = [4, 12, 50, 120, 205, 255, 170, 100, 20, 14]
label=[-3.00,-2.50,-1.75,-1.15,-0.50,0.15,0.75,1.25,1.85,2.45]

# 绘制柱状图
plt.bar(x,y,tick_label = label);

# 显示图形
plt.show()

7.编写程序，某种水泥在凝固时放出的热量Y（cag/g）与水泥中4种化学成分X1、X2、X3、X4有关，现测得13组数据，希望从中选出主要的变量，建立Y与它们的线性回归方程（分别使用线性回归、岭回归、lasso回归）。¶

注：训练集：测试集=8：2，随机种子采用你学号后两位，例如你学号后两位=01，则random_state=1，如果最后两位=34，则random_state=34。最终结果打印出各个回归的w和b系数即可。

序号 X1 X2 X3 X4 Y
1 7 26 6 60 78.5
2 1 29 15 52 74.3
3 11 56 8 20 104.3
4 11 31 8 47 87.6
5 7 52 6 33 95.9
6 11 55 9 22 109.2
7 3 71 17 6 102.7
8 1 31 22 44 72.5
9 2 54 18 22 93.1
10 21 47 4 26 115.9
11 1 40 23 34 83.8
12 11 66 9 12 113.3
13 10 68 8 12 109.4
In [24]:
import pandas as pd
from sklearn.linear_model import LinearRegression, Ridge, Lasso
from sklearn.model_selection import train_test_split

# 读取数据
data = pd.DataFrame(
    [[7, 26, 6, 60, 78.5],
     [1, 29, 15, 52, 74.3],
     [11, 56, 8, 20, 104.3],
     [11, 31, 8, 47, 87.6],
     [7, 52, 6, 33, 95.9],
     [11, 55, 9, 22, 109.2],
     [3, 71, 17, 6, 102.7],
     [1, 31, 22, 44, 72.5],
     [2, 54, 18, 22, 93.1],
     [21, 47, 4, 26, 115.9],
     [1, 40, 23, 34, 83.8],
     [11, 66, 9, 12, 113.3],
     [10, 68, 8, 12, 109.4]],
    columns=['X1', 'X2', 'X3', 'X4', 'Y']
)

# 将数据分为训练集和测试集
seed = 37 # 以学号后两位为随机种子
train_data, test_data = train_test_split(data, test_size=0.2, random_state=seed)

# 线性回归
linreg = LinearRegression()
linreg.fit(train_data[['X1', 'X2', 'X3', 'X4']], train_data['Y'])

print('=====线性回归=====')
print('W:', linreg.coef_)
print('b:', linreg.intercept_)
print('Train R^2 Score:', linreg.score(train_data[['X1', 'X2', 'X3', 'X4']], train_data['Y']))
print('Test R^2 Score:', linreg.score(test_data[['X1', 'X2', 'X3', 'X4']], test_data['Y']))

# 岭回归
ridge = Ridge(alpha=0.1)
ridge.fit(train_data[['X1', 'X2', 'X3', 'X4']], train_data['Y'])

print('\n=====岭回归=====')
print('W:', ridge.coef_)
print('b:', ridge.intercept_)
print('Train R^2 Score:', ridge.score(train_data[['X1', 'X2', 'X3', 'X4']], train_data['Y']))
print('Test R^2 Score:', ridge.score(test_data[['X1', 'X2', 'X3', 'X4']], test_data['Y']))

# Lasso回归
lasso = Lasso(alpha=0.1)
lasso.fit(train_data[['X1', 'X2', 'X3', 'X4']], train_data['Y'])

print('\n=====Lasso回归=====')
print('W:', lasso.coef_)
print('b:', lasso.intercept_)
print('Train R^2 Score:', lasso.score(train_data[['X1', 'X2', 'X3', 'X4']], train_data['Y']))
print('Test R^2 Score:', lasso.score(test_data[['X1', 'X2', 'X3', 'X4']], test_data['Y']))

=====线性回归=====
W: [1.98745297 0.7125071  0.60342221 0.09234506]
b: 36.81325582050998
Train R^2 Score: 0.9832895760371373
Test R^2 Score: 0.9620380437756655

=====岭回归=====
W: [1.94480909 0.67978818 0.56291831 0.05946734]
b: 40.15978044847303
Train R^2 Score: 0.9832822368230552
Test R^2 Score: 0.9628744421890784

=====Lasso回归=====
W: [ 1.7448631   0.53538928  0.37348389 -0.08626773]
b: 55.156351700868306
Train R^2 Score: 0.9830535584966494
Test R^2 Score: 0.9669995284733632

8.编写程序，用朴素贝叶斯算法进行分类，数据集如下¶

注：训练集：测试集=1：1，随机种子采用你学号后两位，例如你学号后两位=01，则random_state=1，如果最后两位=34，则random_state=34。最终结果输出你预测结果、实际结果以及模型得分三项。

序号 年龄 收入 是否为学生 信誉 购买计算机
1 <=30 高 否 中 否
2 <=30 高 否 优 否
3 31-40 高 否 中 是
4 >40 中 否 中 是
5 >40 低 是 中 是
6 >40 低 是 优 否
7 31-40 低 是 优 是
8 <=30 中 否 中 否
9 <=30 低 是 中 是
10 >40 中 是 中 是
11 <=30 中 是 优 是
12 31-40 中 否 优 是
13 31-40 高 是 中 是
14 >40 中 否 优 否
In [1]:
from sklearn.naive_bayes import CategoricalNB
from sklearn.model_selection import train_test_split
import pandas as pd

# 数据读取
data = pd.DataFrame({'年龄': ['<=30', '<=30', '31-40', '>40', '>40', '>40', '31-40', '<=30', '<=30', '>40', '<=30', '31-40', '31-40', '>40'],
                     '收入': ['高', '高', '高', '中', '低', '低', '低', '中', '低', '中', '中', '中', '高', '中'],
                     '是否为学生': ['否', '否', '否', '否', '是', '是', '是', '否', '是', '是', '是', '否', '是', '否'],
                     '信誉': ['中', '优', '中', '中', '中', '优', '优', '中', '中', '中', '优', '优', '中', '优'],
                     '购买计算机': ['否', '否', '是', '是', '是', '否', '是', '否', '是', '是', '是', '是', '是', '否']})

# 特征和标签分离
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

# 将特征转换为数值类型
X = pd.get_dummies(X)

# 数据集划分
random_state = 37 # 这里以学号后两位的值作为随机种子
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=random_state)

# 定义模型，训练
clf = CategoricalNB()
clf.fit(X_train, y_train)

# 预测
y_pred = clf.predict(X_test)

# 输出预测结果、实际结果以及模型得分
print('预测结果：', list(y_pred))
print('实际结果：', list(y_test))
print('模型得分：', clf.score(X_test, y_test))

预测结果： ['是', '是', '是', '是', '是', '是', '是']
实际结果： ['否', '是', '是', '否', '否', '是', '是']
模型得分： 0.5714285714285714
In [ ]: