+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+考生信息¶
-
+
- 姓名：曹之栋 +
- 学号：20407101 +
- 班级：计科2001班 +
+
+
+
+
+1.编写程序，求$1!+2!+3!+...20!$的和¶
+
+
+
+
+
+In [1]:
+
+
+
+
+
+
+# your code
+# 定义变量和初始值
+n = 1
+sum = 0
+
+# 循环计算每项的值
+while n <= 20:
+ # 计算当前项的阶乘
+ factorial = 1
+ for i in range(1, n + 1):
+ factorial *= i
+
+ # 将当前项加入总和
+ sum += factorial
+
+ # 更新 n 的值
+ n += 1
+
+# 输出结果
+print('1! + 2! + 3! + ... + 20! =', sum)
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+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('列表s的元素个数为：', len(s))
+print('列表s的最大值为：', max(s))
+print('列表s的最小值为：', min(s))
+s.append(10)
+s.remove(55)
+
+print('操作后的列表s为：', s)
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+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
+n = 6
+x = 'x'
+T = 'T'
+
+# 循环打印每一行
+for i in range(n):
+ # 打印每一行的 T
+ for j in range(n - i - 1):
+ print(T, end='')
+
+ # 打印每一行的 x
+ for k in range(i + 1):
+ print(x, end='')
+
+ # 换行
+ print()
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+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(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):
+ print("Error!")
+ return
+ return a/b
+while True:
+ Choice = input("Choice:")
+ if(Choice == '0'):
+ break
+ a = int(input("a:"))
+ b = int(input("b:"))
+ if(Choice == '1'):
+ print(Add(a,b))
+ elif(Choice == '2'):
+ print(Sub(a,b))
+ elif(Choice == '3'):
+ print(Mul(a,b))
+ elif(Choice == '4'):
+ print(Div(a,b))
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+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, courses):
+ self.name = name
+ self.age = age
+ self.courses = courses
+
+ def __str__(self):
+ info = '姓名：' + self.name + '\n'
+ info += '年龄：' + str(self.age) + '\n'
+ max_score = max(self.courses)
+ info += '最高分数：' + str(max_score)
+ return info
+
+# 实例化学生对象并测试
+st = Student('zhangming', 20, [69, 88, 100])
+
+# 输出学生信息
+print(st)
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+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 [7]:
+
+
+
+
+
+
+# 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 [11]:
+
+
+
+
+
+
+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=1)
+
+# 线性回归模型
+linear_model = LinearRegression()
+linear_model.fit(X_train, y_train)
+
+# 输出线性回归的 w 和 b 系数
+print('线性回归 w：', linear_model.coef_)
+print('线性回归 b：', linear_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_)
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+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]:
+
+
+
+
+
+
+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=1
+ )
+# 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)
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+In [ ]:
+
+
+
+
+
+
+
+