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：邓华锋
• 学号：20407104
• 班级：计科2001班

1.编写程序，求$1!+2!+3!+...20!$的和

# your code
def Factorial(n):
    #设置终止条件
    if n == 1:
        return 1
    return n*Factorial(n-1)
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。

# your code
s=[9,7,8,3,2,1,55,6]
print(len(s))
print(max(s))
print(min(s))
s.append(10)
s.pop(6)

8
55
1

55

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

# your code
for i in range(0,5):
    for t in range(0,5-i):
        print("T",end="")   
    for x in range(5-i,6):
        print("x",end="")
    print() 

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。

# 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:6
b:3
9
Choice:4
a:2
b:1
2.0
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。

# your code
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(max(self.course))
st=Student('zhangming',20,[69,88,100])
print('学生姓名为：',st.get_name(),'学生年龄为：',st.get_age(),'学生最高成绩为：',st.get_course())

学生姓名为： zhangming 学生年龄为： 20 学生最高成绩为： 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

# your code
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]
plt.bar(x,y)
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

# your code
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=4)

# 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： [ 1.29033673  0.47019403 -0.14727956 -0.24781247]
线性回归 b： 73.3298572021815
岭回归 w： [ 1.27046223  0.46668927 -0.1633555  -0.25416358]
岭回归 b： 74.05626863164781
Lasso 回归 w： [ 1.28626721  0.47702355 -0.12442651 -0.23834803]
Lasso 回归 b： 72.44155045106855

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

# your code

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=4)
# 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 0 1]
[1 1 1 1 1 0 1]
1.0