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：任唯源
  • 学号：20407131
  • 班级：计科2001班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [1]:
# your code
n = int(input('请输入所求阶乘数：'))
m = 1
sum = 0
i = 1
while n >= i:
    m *= i
    sum += m
    i = i + 1
print("结果:",sum)

请输入所求阶乘数：20
结果: 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]
print("length =",len(s)," max =",max(s)," min =",min(s))
s.append(10)
s.remove(55)
print(s)

length = 8  max = 55  min = 1
[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 [3]:
# 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 [4]:
# 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("在下列功能中选择:")
print("1.加法 2.减法 3.乘法 4.除法")
choice = input("请输入对应功能项的数字(1.2.3.4):")
num1 = int(input("请输入第一个数字:"))
num2 = int(input("请输入第二个数字:"))
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("功能选择错误，只接受1-4的数字!")

在下列功能中选择:
1.加法 2.减法 3.乘法 4.除法
请输入对应功能项的数字(1.2.3.4):2
请输入第一个数字:3
请输入第二个数字:2
3 - 2 = 1

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 [5]:
# 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 [6]:
# 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]
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 [8]:
# 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=31)

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

# 输出线性回归的 w 和 b 系数
print('线性回归 w：', lr_model.coef_)
print('线性回归 b：', lr_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： [[ 1.48642084  0.51974789 -0.10736081 -0.17377314]]
线性回归 b： [65.67128282]
岭回归 w： [[ 1.47091645  0.51595702 -0.12027181 -0.17875438]]
岭回归 b： [66.28350304]
Lasso 回归 w： [ 1.48005084  0.52421041 -0.0777418  -0.16307834]
Lasso 回归 b： [64.86208359]

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]:
# 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=31)
# 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