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：杨玉
  • 学号：20407232
  • 班级：计科2002班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [1]:
# your code
def function(n):
    if n==1:
        return 1
    else:
        return n*function(n-1)
Sum=0
for i in range(1,21):
    Sum+=function(i)
print(Sum)

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]:
# your code
s=[9,7,8,3,2,1,55,6]
x=len(s)
y=max(s)
z=min(s)
print("列表元素个数：",x,"最大数：",y,"最小数：",z)
s.append(10)
print("添加一个元素10后：",s)
s.remove(55)
print("删除一个元素55后：",s)

列表元素个数： 8 最大数： 55 最小数： 1
添加一个元素10后： [9, 7, 8, 3, 2, 1, 55, 6, 10]
删除一个元素55后： [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]:
# your code
for i in range(1,6):
    for j in range(6-i):
        print("T",end="")
    for k in range(i):
        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。¶

In [6]:
# your code
def add(x, y):
    return x + y
def subtract(x, y):
    return x - y
def multiply(x, y):
    return x * y
def divide(x, y):
    return x / y
print("选择操作")
print("1.相加")
print("2.相减")
print("3.相乘")
print("4.相除")
choice = input("选择(1/2/3/4): ")
num1 = float(input("输入第一个数字: "))
num2 = float(input("输入第二个数字: "))
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")

选择操作
1.相加
2.相减
3.相乘
4.相除
选择(1/2/3/4): 3
输入第一个数字: 5
输入第二个数字: 9
5.0 * 9.0 = 45.0

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 [8]:
# 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 [9]:
# your code
import numpy as np
import matplotlib.pyplot as plt
import random

# 准备数据
x_data = [-3.00,-2.50,-1.75,-1.15,-0.50,0.15,0.75,1.25,1.85,2.45]
y_data = [4,12,50,120,205,255,170,100,20,14]

# 正确显示中文和负号
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

# 画图，plt.bar()可以画柱状图
plt.style.use('ggplot')       #添加网格线
for i in range(len(x_data)):
    plt.bar(x_data[i], y_data[i])
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 [20]:
# your code
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression, Ridge, Lasso
# 读入数据
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':[6,15,8,8,6,9,17,22,18,4,23,9,8],
'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]
})
# 数据预处理
X = data.iloc[:,:-1]
Y = data.iloc[:,-1]
# 分割训练集和测试集
X_train,X_test,Y_train,Y_test = train_test_split(X,Y,test_size=0.2,random_state=32)
# 线性回归
lr = LinearRegression()
lr.fit(X_train,Y_train)
print("线性回归：")
print("系数:",lr.coef_)
print("截距:",lr.intercept_)
print("训练集得分:",lr.score(X_train,Y_train))
print("测试集得分:",lr.score(X_test,Y_test))
# 岭回归
ridge = Ridge(alpha=1.0)
ridge.fit(X_train,Y_train)
print("\n岭回归：")
print("系数:",ridge.coef_)
print("截距:",ridge.intercept_)
print("训练集得分:",ridge.score(X_train,Y_train))
print("测试集得分:",ridge.score(X_test,Y_test))
# Lasso回归
lasso = Lasso(alpha=0.1)
lasso.fit(X_train,Y_train)
print("\nLasso回归：")
print("系数:",lasso.coef_)
print("截距:",lasso.intercept_)
print("训练集得分:",lasso.score(X_train,Y_train))
print("测试集得分:",lasso.score(X_test,Y_test))

线性回归：
系数: [ 0.59837591 -0.49364745 -0.89784449 -1.14956165]
截距: 160.0121497592392
训练集得分: 0.9789247011147078
测试集得分: 0.9696182548991668

岭回归：
系数: [ 0.81911159 -0.24992749 -0.66383039 -0.90678861]
截距: 136.5650560174326
训练集得分: 0.9787912881663198
测试集得分: 0.978320114602516

Lasso回归：
系数: [ 1.05593030e+00 -7.90310191e-06 -4.18197072e-01 -6.57653921e-01]
截距: 112.37902885247283
训练集得分: 0.9783846306032388
测试集得分: 0.9853879185816937

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 [17]:
# your code
import pandas as pd
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 读取数据
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']
})
# 将特征转换为数字
data.replace({'年龄': {'<=30': 1, '31-40': 2, '>40': 3},
              '收入': {'低': 1, '中': 2, '高': 3},
              '是否为学生': {'否': 0, '是': 1},
              '信誉': {'中': 1, '优': 2}}, inplace=True)
# 分离特征和标签
X = data.iloc[:, :-1]
y = data.iloc[:, -1]
# 划分训练集和测试集，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=0.5, random_state=32)
# 创建朴素贝叶斯分类器
clf = GaussianNB()
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集结果
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：", y_pred)
print("实际结果：", y_test.values)
print("模型得分：", accuracy_score(y_test, y_pred))

预测结果： ['否' '是' '是' '是' '是' '否' '是']
实际结果： ['否' '否' '是' '是' '是' '否' '是']
模型得分： 0.8571428571428571
In [ ]: