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：史扬凡
  • 学号：20407136
  • 班级：计科2001班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [1]:
def factorial(num):
    if num == 0:
        return 1
    else:
        return num * factorial(num-1)

# 计算1到20的阶乘并加起来
result = 0
for i in range(1, 21):
    result += factorial(i)

# 输出结果
print(result)

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 [3]:
s = [9, 7, 8, 3, 2, 1, 55, 6]

# 元素个数
count = len(s)
print("元素个数：", count)

# 最大数和最小数
max_num = max(s)
print("最大数：", max_num)
min_num = min(s)
print("最小数：", min_num)

# 添加元素10
s.append(10)
print("添加元素10后的列表s：", s)

# 删除元素55
s.remove(55)
print("删除元素55后的列表s：", s)

元素个数： 8
最大数： 55
最小数： 1
添加元素10后的列表s： [9, 7, 8, 3, 2, 1, 55, 6, 10]
删除元素55后的列表s： [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 [4]:
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 [5]:
# 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):
    return x / y

# 打印功能选项
print("请选择功能：")
print("1. 加法")
print("2. 减法")
print("3. 乘法")
print("4. 除法")

# 获取用户输入
choice = input("输入你的选择(1/2/3/4): ")

# 获取用户输入的数值
num1 = float(input("请输入第一个数字: "))
num2 = float(input("请输入第二个数字: "))

# 根据用户选择执行相应的函数
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':
    print(num1, "/", num2, "=", divide(num1, num2))

else:
    print("非法输入")

请选择功能：
1. 加法
2. 减法
3. 乘法
4. 除法
输入你的选择(1/2/3/4): 1
请输入第一个数字: 2
请输入第二个数字: 3
2.0 + 3.0 = 5.0

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 [6]:
class Student:
    def __init__(self, name, age, course):
        self.name = name
        self.age = age
        self.course = course

    def get_name(self):
        return self.name

    def get_age(self):
        return self.age

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

st = Student('zhangming', 20, [69, 88, 100])
print("姓名：", st.get_name())
print("年龄：", st.get_age())
print("最高成绩：", st.get_course())

姓名： zhangming
年龄： 20
最高成绩： 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 [7]:
import matplotlib.pyplot as plt
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]
plt.bar(X,Y,tick_label = label);

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 [4]:
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression, Ridge, Lasso

# 读取数据
data = {
    '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, 8],
    'X4': [60, 52, 20, 47, 33, 22, 6, 44, 22, 26, 34, 12, 12],
    '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],
}
df = pd.DataFrame(data)

# 划分训练集和测试集
random_state = 34
train_df, test_df = train_test_split(df, test_size=0.2, random_state=36)

# 提取自变量和因变量
X_train = train_df[['X1', 'X2', 'X3', 'X4']]
y_train = train_df['Y']
X_test = test_df[['X1', 'X2', 'X3', 'X4']]
y_test = test_df['Y']

# 线性回归
linear_model = LinearRegression()
linear_model.fit(X_train, y_train)
print('线性回归 w: ', linear_model.coef_)
print('线性回归 b: ', linear_model.intercept_)

# 岭回归
ridge_model = Ridge(alpha=1.0)
ridge_model.fit(X_train, y_train)
print('岭回归 w: ', ridge_model.coef_)
print('岭回归 b: ', ridge_model.intercept_)

# Lasso回归
lasso_model = Lasso(alpha=1.0)
lasso_model.fit(X_train, y_train)
print('Lasso回归 w: ', lasso_model.coef_)
print('Lasso回归 b: ', lasso_model.intercept_)

线性回归 w:  [ 0.70124962 -0.05149115 -0.71603223 -0.70420377]
线性回归 b:  121.4687907427662
岭回归 w:  [ 0.76080357  0.00723825 -0.65311572 -0.64674684]
岭回归 b:  115.74649161080427
Lasso回归 w:  [ 0.68499537  0.         -0.67194209 -0.65390731]
Lasso回归 b:  117.02200454676199

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 [9]:
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=36)
# 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 0 1 1]
[1 1 1 1 0 1 1]
1.0
In [ ]: