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：史校阳
  • 学号：20407222
  • 班级：计科2002班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [2]:
# your code
n=0
s=0
t=1
for n in range(1,21):
    t*=n
    s+=t
print("1!+2!+3!+……+20!=%d"%s)

1!+2!+3!+……+20!=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]:
# your code
s = [9, 7, 8, 3, 2, 1, 55, 6]
# 求元素个数
count = len(s)
print("元素个数：", count)
# 求最大数
max_num = max(s)
print("最大数：", max_num)
# 求最小数
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)
# 删除元素55
s.remove(55)
print("删除元素55后的列表：", s)

元素个数： 8
最大数： 55
最小数： 1
添加元素10后的列表： [9, 7, 8, 3, 2, 1, 55, 6, 10]
删除元素55后的列表： [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 [8]:
# your code
for i in range(5):
    for j in range(5 - i):
        print("T", end="")
    for k in range(i+1):
        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
# 定义四个函数
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):
    if y == 0:
        return "除数不能为0"
    else:
        return x / y
# 根据用户输入选择功能
print("请选择功能：")
print("1. 加法")
print("2. 减法")
print("3. 乘法")
print("4. 除法")
choice = input("请输入数字(1/2/3/4):")
# 用户输入两个数字
num1 = float(input("请输入第一个数字："))
num2 = float(input("请输入第二个数字："))
# 调用相应的函数计算结果
if choice == '1':
    result = add(num1, num2)
elif choice == '2':
    result = subtract(num1, num2)
elif choice == '3':
    result = multiply(num1, num2)
elif choice == '4':
    result = divide(num1, num2)
else:
    print("无效输入")
    exit()
# 输出结果
print("计算结果：", result)

请选择功能：
1. 加法
2. 减法
3. 乘法
4. 除法
计算结果： 4.0

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 [7]:
# 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(self.course)
# 测试
st = Student('zhangming', 20, [69, 88, 100])
print("姓名：", st.get_name())
print("年龄：", st.get_age())
print("最高分数：", st.get_course())

姓名： zhangming
年龄： 20
最高分数： 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 [11]:
# your code
import matplotlib.pyplot as plt
# 定义X轴和Y轴的数据
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]
# 使用bar函数绘制柱状图（条形图）
plt.bar(x, y, width=0.2)
# 添加标题、标签和图例等
plt.title("柱状图1")
plt.xlabel("X")
plt.ylabel("Y")
plt.legend(["Y"])
# 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 [14]:
# 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=37)
# 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: [1.98745297 0.7125071  0.60342221 0.09234506]
截距: 36.81325582051008
训练集得分: 0.9832895760371373
测试集得分: 0.9620380437756656

岭回归：
系数: [ 1.67471703  0.47772991  0.30829506 -0.14400592]
截距: 60.939120568316355
训练集得分: 0.9828982159006739
测试集得分: 0.9676361905302775

Lasso回归：
系数: [ 1.7448631   0.53538928  0.37348389 -0.08626773]
截距: 55.156351700868385
训练集得分: 0.9830535584966495
测试集得分: 0.9669995284733635

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 [13]:
# 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=40)
# 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： ['是' '是' '是' '是' '是' '是' '是']
实际结果： ['否' '否' '是' '是' '是' '是' '否']
模型得分： 0.5714285714285714
In [ ]: