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：王婧
  • 学号：20407140
  • 班级：计科2001班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [22]:
sum = 0
factorial = 1
for n in range(1, 21):
    factorial *= n  # 计算 n!
    sum += factorial  # 累加到总和中
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 [23]:
s = [9, 7, 8, 3, 2, 1, 55, 6]
count = len(s)  # 元素个数
max_num = max(s)  # 最大数
min_num = min(s)  # 最小数
print("元素个数为：", count)
print("最大数为：", max_num)
print("最小数为：", min_num)

s.append(10)  # 添加元素10
s.remove(55)  # 删除元素55
print(s)

元素个数为： 8
最大数为： 55
最小数为： 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 [24]:
for i in range(5):  # 外层循环，控制每一行打印的字符
    for j in range(5-i):  # 内层循环，控制每一行上字符的个数
        print("T", end="")
    for k in range(i):
        print("x", end="")
    print()  # 换行

TTTTT
TTTTx
TTTxx
TTxxx
Txxxx

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 [25]:
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:
        return a / b
    else:
        return "除数不能为0"

print("请选择功能：")
print("1. 加法")
print("2. 减法")
print("3. 乘法")
print("4. 除法")

choice = int(input("请输入选择："))
num1 = float(input("请输入第一个数字："))
num2 = float(input("请输入第二个数字："))

if choice == 1:
    result = add(num1, num2)
elif choice == 2:
    result = sub(num1, num2)
elif choice == 3:
    result = mul(num1, num2)
elif choice == 4:
    result = div(num1, num2)
else:
    print("输入错误！")

print("计算结果为：", result)

请选择功能：
1. 加法
2. 减法
3. 乘法
4. 除法
请输入选择：1
请输入第一个数字：213
请输入第二个数字：2
计算结果为： 215.0

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 [27]:
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)

st = Student('zhangming', 20, [69, 88, 100])
print("学生姓名：", st.get_name())
print("学生年龄：", st.get_age())
print("最高分数：", st.get_course())

学生姓名： zhangming
学生年龄： 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 [28]:
import matplotlib.pyplot as plt

# 定义 x, y 数组
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]

# 设置标题和横纵轴标签
plt.title("Data Plot")
plt.xlabel("X")
plt.ylabel("Y")

# 绘制柱状图
plt.bar(x, y, width=0.1, align="center")

# 显示图表
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 [31]:
from sklearn.linear_model import LinearRegression, Ridge, Lasso
from sklearn.model_selection import train_test_split
import pandas as pd


# 读取数据
data = {
    '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]
}
df = pd.DataFrame(data)

# 将数据集分为训练集和测试集，比例为 8：2
X_train, X_test, Y_train, Y_test = train_test_split(df.iloc[:, :-1], df.iloc[:, -1], test_size=0.2, random_state=40)

# 使用线性回归
print("=========线性回归结果=========")
lr = LinearRegression()
lr.fit(X_train, Y_train)
print("w系数：", lr.coef_)
print("b系数：", lr.intercept_)

# 使用岭回归
print("=========岭回归结果=========")
ridge = Ridge(alpha=0.5)
ridge.fit(X_train, Y_train)
print("w系数：", ridge.coef_)
print("b系数：", ridge.intercept_)

# 使用lasso回归
print("=========lasso回归结果=========")
lasso = Lasso(alpha=0.1)
lasso.fit(X_train, Y_train)
print("w系数：", lasso.coef_)
print("b系数：", lasso.intercept_)

=========线性回归结果=========
w系数： [ 1.37914915  0.52235563 -0.11353673 -0.16566386]
b系数： 66.18042444982316
=========岭回归结果=========
w系数： [ 1.28094154  0.44448557 -0.20599848 -0.24283658]
b系数： 74.031595075019
=========lasso回归结果=========
w系数： [ 1.405279    0.55172639 -0.08210026 -0.13686687]
b系数： 63.340523160186265

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 [32]:
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import pandas as pd


# 读取数据
data = {
    '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']
}
df = pd.DataFrame(data)

# 将分类变量转换为数值变量
df['年龄'] = df['年龄'].map({'<=30': 0, '31-40': 1, '>40': 2})
df['收入'] = df['收入'].map({'高': 0, '中': 1, '低': 2})
df['是否为学生'] = df['是否为学生'].map({'是': 0, '否': 1})
df['信誉'] = df['信誉'].map({'优': 0, '中': 1})
df['购买计算机'] = df['购买计算机'].map({'是': 0, '否': 1})

# 将数据集分为训练集和测试集，比例为 1：1
X_train, X_test, Y_train, Y_test = train_test_split(df.iloc[:, :-1], df.iloc[:, -1], test_size=0.5, random_state=40)

# 使用高斯朴素贝叶斯建模
clf = GaussianNB()
clf.fit(X_train, Y_train)

# 进行预测
Y_pred = clf.predict(X_test)

# 输出结果
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： [0 0 0 0 0 0 0]
实际结果： [1 1 0 0 0 0 1]
模型得分： 0.5714285714285714
In [ ]: