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：孟培扬
  • 学号：20407129
  • 班级：计科2001班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [2]:
# your code
# 计算阶乘函数
def factorial(n):
    if n == 0:
        return 1
    else:
        return n * factorial(n-1)

# 计算和
total = 0
for i in range(1, 21):
    total += factorial(i)

# 输出结果
print("结果:",total)

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 [4]:
# 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 [11]:
# 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 [1]:
# your code
# 定义加法函数
def add(x, y):
    return x + y

# 定义减法函数
def subtract(x, y):
    return x - y

# 定义乘法函数
def multiply(x, y):
    return x * y

# 定义除法函数
def divide(x, y):
    if y == 0:
        raise ValueError('除数不能为 0')
    return x / y

# 用户选择功能
print('请选择要进行的运算：\n')
print('1. 加法')
print('2. 减法')
print('3. 乘法')
print('4. 除法')

choice = input('请输入 1/2/3/4 中的一个数字：')

# 用户输入数字
num1 = float(input('请输入第一个数字：'))
num2 = float(input('请输入第二个数字：'))

# 计算结果
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':
    try:
        print(num1, "/", num2, "=", divide(num1, num2))
    except ValueError as e:
        print('错误信息:', e)
else:
    print('输入错误，请输入有效数字（1-4）')

请选择要进行的运算：

1. 加法
2. 减法
3. 乘法
4. 除法
请输入 1/2/3/4 中的一个数字：3
请输入第一个数字：2
请输入第二个数字：3
2.0 * 3.0 = 6.0

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 [2]:
# your code
class Student:
    def __init__(self, name, age, course):
        self.name = name
        self.age = age
        self.course = course

    def get_name(self):
        return str(self.name)

    def get_age(self):
        return int(self.age)

    def get_course(self):
        return max(self.course)

# 创建学生对象并测试
st = Student('zhangming', 20, [69, 88, 100])
print("学生姓名：" + st.get_name())
print("学生年龄：" + str(st.get_age()))
print("最高分：" + str(st.get_course()))

学生姓名：zhangming
学生年龄：20
最高分：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 [3]:
# your code
import matplotlib.pyplot as plt

# 定义数据
data = {
    '-3.00': 4,
    '-2.50': 12,
    '-1.75': 50,
    '-1.15': 120,
    '-0.50': 205,
    '0.15': 255,
    '0.75': 170,
    '1.25': 100,
    '1.85': 20,
    '2.45': 14
}

# 绘制柱状图
fig, ax = plt.subplots()
ax.bar(data.keys(), data.values())

# 添加标题和标签
ax.set_title('Data Bar Chart')
ax.set_xlabel('X')
ax.set_ylabel('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 [2]:
# your code
import numpy as np
from sklearn import linear_model
from sklearn import metrics
from sklearn import model_selection

# 原始数据
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
])

# 划分训练集和测试集
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.2, random_state=29)

# 普通线性回归
lr = linear_model.LinearRegression()
lr.fit(X_train, y_train)
print('线性回归 w:', lr.coef_, 'b:', lr.intercept_)

# 岭回归
ridge = linear_model.Ridge(alpha=0.1)
ridge.fit(X_train, y_train)
print('岭回归 w:', ridge.coef_, 'b:', ridge.intercept_)

# Lasso 回归
lasso = linear_model.Lasso(alpha=0.1)
lasso.fit(X_train, y_train)
print('Lasso 回归 w:', lasso.coef_, 'b:', lasso.intercept_)

线性回归 w: [ 1.50774251  0.66458233 -0.02023126 -0.03008357] b: 53.42957933131478
岭回归 w: [ 1.48567298  0.64309493 -0.04284173 -0.05107605] b: 55.52038896242757
Lasso 回归 w: [ 1.52453453  0.68439878 -0.         -0.0106636 ] b: 51.534832077416

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 [3]:
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=29
                                                   )
# 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 0 1 1 1 1 0]
[1 0 1 1 1 1 0]
1.0
In [ ]: