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：赵亚罕
  • 学号：20407153
  • 班级：计科2001班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [1]:
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]:
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]:
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]:
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):1
请输入第一个数字:11
请输入第二个数字:22
11 + 22 = 33

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]:
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 [1]:
import random
import numpy as np
from sklearn.linear_model import LinearRegression, Ridge, Lasso
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 读取数据
X = np.array([[7, 26, 6, 60],
              [1, 29, 15, 52],
              [11, 56, 8, 20],
              [11, 31, 8, 47],
              [7, 52, 6, 33],
              [11, 55, 9, 22],
              [3, 71, 17, 6],
              [1, 31, 22, 44],
              [2, 54, 18, 22],
              [21, 47, 4, 26],
              [1, 40, 23, 34],
              [11, 66, 9, 12],
              [10, 68, 8, 12]])
Y = np.array([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：标准化
mean = X.mean(axis=0)
std = X.std(axis=0)
X = (X - mean) / std

# 划分训练集和测试集
random.seed(53)
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=53)

# 线性回归
lr = LinearRegression()
lr.fit(X_train, Y_train)
Y_pred_lr = lr.predict(X_test)
mse_lr = mean_squared_error(Y_test, Y_pred_lr)
w_lr = lr.coef_
b_lr = lr.intercept_
print("线性回归: w=", w_lr, " b=", b_lr)

# 岭回归
ridge = Ridge(alpha=1.0)
ridge.fit(X_train, Y_train)
Y_pred_ridge = ridge.predict(X_test)
mse_ridge = mean_squared_error(Y_test, Y_pred_ridge)
w_ridge = ridge.coef_
b_ridge = ridge.intercept_
print("岭回归: w=", w_ridge, " b=", b_ridge)

# Lasso回归
lasso = Lasso(alpha=1.0)
lasso.fit(X_train, Y_train)
Y_pred_lasso = lasso.predict(X_test)
mse_lasso = mean_squared_error(Y_test, Y_pred_lasso)
w_lasso = lasso.coef_
b_lasso = lasso.intercept_
print("Lasso回归: w=", w_lasso, " b=", b_lasso)

线性回归: w= [10.75570087 11.32743024  2.29941907  1.70246304]  b= 95.18721576543119
岭回归: w= [ 6.65496191  4.12252258 -1.6041754  -5.50750257]  b= 95.51266373021079
Lasso回归: w= [ 7.87006935  5.47359453 -0.         -3.50852623]  b= 95.5908361231588

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 [12]:
from sklearn.naive_bayes import CategoricalNB
from sklearn.model_selection import train_test_split
import pandas as pd

# 数据读取
data = pd.DataFrame({'Age': ['<=30', '<=30', '31-40', '>40', '>40', '>40', '31-40', '<=30', '<=30', '>40', '<=30', '31-40', '31-40', '>40'],
                     'Income': ['高', '高', '高', '中', '低', '低', '低', '中', '低', '中', '中', '中', '高', '中'],
                     'Student': ['否', '否', '否', '否', '是', '是', '是', '否', '是', '是', '是', '否', '是', '否'],
                     'Credit_rating': ['中', '优', '中', '中', '中', '优', '优', '中', '中', '中', '优', '优', '中', '优'],
                     'Buy_computer': ['否', '否', '是', '是', '是', '否', '是', '否', '是', '是', '是', '是', '是', '否']})

# 特征和标签分离
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

# 将特征转换为数值类型
X = pd.get_dummies(X)

# 切分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=53)

# CategoricalNB分类器训练
clf = CategoricalNB()
clf.fit(X_train, y_train)

# 预测
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：', list(y_pred))
print('实际结果：', list(y_test))
print('模型得分：', clf.score(X_test, y_test))

预测结果： ['否', '否', '否', '是', '否', '否', '否']
实际结果： ['是', '否', '是', '是', '否', '否', '是']
模型得分： 0.5714285714285714
In [ ]: