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：许珂珂
  • 学号：20407146
  • 班级：计科2001班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [32]:
# your code
#递归求值的阶乘
def Factorial(n):
    #设置终止条件
    if n == 1:
        return 1
    return n*Factorial(n-1)
#依次调用Factorial函数，进行值的累加
Num = 0
for n in range(1,21):
    res = Factorial(n)
    Num += res
print(Num)

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 [33]:
# your code
s = [9, 7, 8, 3, 2, 1, 55, 6]

# 求列表元素的个数、最大值和最小值
print('列表s的元素个数为：', len(s))
print('列表s的最大值为：', max(s))
print('列表s的最小值为：', min(s))

# 在列表s中添加一个元素10
s.append(10)

# 从列表s中删除一个元素55
s.remove(55)

# 打印操作后的列表s
print('操作后的列表s为：', s)

列表s的元素个数为： 8
列表s的最大值为： 55
列表s的最小值为： 1
操作后的列表s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 [24]:
# your code
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 [34]:
# your code
def Add(a,b):
    return a+b
def Sub(a,b):
    return a-b
def Mul(a,b):
    return a*b
def Div(a,b):
    if(b==0):
        print("Error!")
        return    
    return a/b
while True:
    Choice = input("Choice:")
    if(Choice == '0'):
        break
    a = int(input("a:"))
    b = int(input("b:"))
    if(Choice == '1'):
        print(Add(a,b))
    elif(Choice == '2'):
        print(Sub(a,b))
    elif(Choice == '3'):
        print(Mul(a,b))
    elif(Choice == '4'):
        print(Div(a,b))

Choice:1
a:2
b:3
5
Choice: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 [35]:
# your code
class Student:
    def __init__(self,name,age,*cou):
        self.name = name
        self.age = age
        self.course = cou
    def get_name(self):
        return self.name
    def get_age(self):
        return self.age
    def get_course(self):
        return max(max(self.course))
st = Student('zhangming',20,[69,88,100])
print('学生姓名为:',st.get_name(),' 年龄为:',st.get_age(),' 最高分成绩为:',st.get_course())

学生姓名为: zhangming  年龄为: 20  最高分成绩为: 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 [36]:
# your code
import matplotlib.pyplot as plt

# 定义 X 轴和 Y 轴的数据
x1 = [-3.00, -2.50, -1.75, -1.15, -0.50]
y1 = [4, 12, 50, 120, 205]
x2 = [0.15, 0.75, 1.25, 1.85, 2.45]
y2 = [255, 170, 100, 20, 14]

# 创建画布和子图
fig, ax = plt.subplots()

# 绘制柱状图（条形图）
ax.bar(x1, y1, width=0.25, align='edge', color='blue', label='Y1')
ax.bar(x2, y2, width=-0.25, align='edge', color='red', label='Y2')

# 设置图形属性
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_title('Bar Plot')
ax.legend()

# 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 [37]:
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression, Ridge, Lasso

# 读取原始数据并创建数据框
data = pd.DataFrame({
    'X1': [7, 1, 11, 11, 7, 11, 3, 1, 2, 21, 1, 11, 10],
    'X2': [26, 29, 56, 31, 52, 55, 71, 31, 54, 47, 40, 66, 68],
    'X3': [6, 15, 8, 8, 6, 9, 17, 22, 18, 4, 23, 9, 13],
    'X4': [60, 52, 20, 47, 33, 22, 6, 44, 22, 26, 34, 22, 22],
    'Y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7, 72.5, 93.1, 115.9, 83.8, 113.3, 109.4]
})

# 分离出自变量和因变量
X = data[['X1', 'X2', 'X3', 'X4']]
y = data['Y']

# 将训练集和测试集按 8:2 分割，随机种子为学号后两位
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=34)

# 线性回归模型
linear_model = LinearRegression()
linear_model.fit(X_train, y_train)

# 输出线性回归的 w 和 b 系数
print('线性回归 w：', linear_model.coef_)
print('线性回归 b：', linear_model.intercept_)

# 岭回归模型
ridge_model = Ridge(alpha=1.0)
ridge_model.fit(X_train, y_train)

# 输出岭回归的 w 和 b 系数
print('岭回归 w：', ridge_model.coef_)
print('岭回归 b：', ridge_model.intercept_)

# Lasso 回归模型
lasso_model = Lasso(alpha=1.0)
lasso_model.fit(X_train, y_train)

# 输出 Lasso 回归的 w 和 b 系数
print('Lasso 回归 w：', lasso_model.coef_)
print('Lasso 回归 b：', lasso_model.intercept_)

线性回归 w： [1.73716117 0.73583035 0.25554047 0.07159407]
线性回归 b： 41.94463392439112
岭回归 w： [1.69689369 0.71271939 0.2173755  0.0467834 ]
岭回归 b： 44.584426660577
Lasso 回归 w： [ 1.47653695  0.60635755  0.         -0.06262619]
Lasso 回归 b： 57.365482388617096

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 [38]:
import numpy as np
import pandas as pd
from sklearn import metrics
# 导入高斯朴素贝叶斯分类器
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split

x = np.array(
    [
        [1, 3, 0, 1, 0],
        [1, 3, 0, 2, 1],
        [2, 3, 0, 2, 1],
        [3, 2, 0, 1, 1],
        [3, 1, 1, 1, 1],
        [3, 1, 1, 2, 0],
        [2, 1, 1, 2, 1],
        [1, 2, 0, 1, 0],
        [1, 1, 1, 1, 1],
        [3, 2, 1, 1, 1],
        [1, 2, 1, 2, 1],
        [2, 2, 0, 2, 1],
        [2, 3, 1, 1, 1],
        [3, 2, 0, 2, 0],
    ]
)

y = np.array(
    [
        0,1,1,1,1,0,1,0,1,1,1,1,1,0
    ]
)
X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.5, random_state=46
                                                   )
# 使用高斯朴素贝叶斯进行计算
clf = GaussianNB()
clf.fit(X_train, y_train)
# 评估
y_predict = clf.predict(X_test)
score_gnb = metrics.accuracy_score(y_predict,y_test)

print('该用户是否购买计算机:',y_predict)
print(y_test)
print(score_gnb)

该用户是否购买计算机: [1 1 1 1 1 1 1]
[1 1 1 0 0 1 1]
0.7142857142857143