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：呼芳利
  • 学号：20407115
  • 班级：计科2001班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [1]:
def factorial(n):
    if n == 0 or n == 1:
        return 1
    else:
        return n * factorial(n-1)

def sum_factorial(n):
    if n == 1:
        return 1
    else:
        return factorial(n) + sum_factorial(n-1)

total = sum_factorial(20)
print("1!+2!+3!+...+20! =", total)

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 [2]:
s = [9, 7, 8, 3, 2, 1, 55, 6]

print("元素个数：", len(s))
print("最大数：", max(s))
print("最小数：", min(s))

s.append(10)
s.remove(55)
print("删除元素后的列表：", s)

元素个数： 8
最大数： 55
最小数： 1
删除元素后的列表： [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 [3]:
n = 5
for i in range(n):
    print('T'*(n-i-1) + 'x'*(i+1))

TTTTx
TTTxx
TTxxx
Txxxx
xxxxx

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):
    if y == 0:
        return "除数不能为0"
    else:
        return x / y

print("选择要进行的运算：")
print("1. 加法")
print("2. 减法")
print("3. 乘法")
print("4. 除法")

choice = input("请输入您的选择（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("非法输入")

选择要进行的运算：
1. 加法
2. 减法
3. 乘法
4. 除法
请输入您的选择（1/2/3/4）：4
请输入第一个数字：2
请输入第二个数字：1
2 / 1 = 2.0

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]:
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 [8]:
import matplotlib.pyplot as plt

# 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)}

# 拆分数据
x1, y1 = zip(*sorted([(x, y) for x, y in data if x < 0]))
x2, y2 = zip(*sorted([(x, y) for x, y in data if x > 0]))

# 绘图
plt.bar(x1, y1, width=0.3, color='b', align='center')
plt.bar(x2, y2, width=0.3, color='g', align='center')

plt.xlabel('x')
plt.ylabel('y')

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 [10]:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression, Ridge, Lasso

# 导入数据
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]
})

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data[['X1', 'X2', 'X3', 'X4']], data['Y'], test_size=0.2, random_state=15)

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

# 岭回归
ridge_model = Ridge(alpha=1)
ridge_model.fit(X_train, y_train)
print('岭回归：')
print('w：', ridge_model.intercept_)
print('b：', ridge_model.coef_)

# Lasso回归
lasso_model = Lasso(alpha=1)
lasso_model.fit(X_train, y_train)
print('Lasso回归：')
print('w：', lasso_model.intercept_)
print('b：', lasso_model.coef_)

线性回归：
w： 180.60992642787454
b： [ 0.26655739 -0.64835198 -1.35191198 -1.32541508]
岭回归：
w： 144.59851372290143
b： [ 0.63515406 -0.28031503 -0.95811354 -0.96262718]
Lasso回归：
w： 116.94963304605514
b： [ 0.90611156  0.         -0.64062776 -0.68340473]

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 pandas as pd
from sklearn.naive_bayes import GaussianNB
from sklearn import preprocessing
from sklearn.model_selection import train_test_split

# 读取数据集
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']
})

# 对数据进行编码
le = preprocessing.LabelEncoder()
data['年龄'] = le.fit_transform(data['年龄'])
data['收入'] = le.fit_transform(data['收入'])
data['是否为学生'] = le.fit_transform(data['是否为学生'])
data['信誉'] = le.fit_transform(data['信誉'])
data['购买计算机'] = le.fit_transform(data['购买计算机'])

# 划分训练集和测试集
X = data.iloc[:, :-1]
y = data.iloc[:, -1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=15)

# 建立朴素贝叶斯模型
gnb = GaussianNB()
gnb.fit(X_train, y_train)

# 预测测试集
y_pred = gnb.predict(X_test)

# 输出预测结果、实际结果和模型得分
print('预测结果:', y_pred)
print('实际结果:', y_test.values)
print('模型得分:', gnb.score(X_test, y_test))

预测结果: [0 1 1 1 0 1 1]
实际结果: [0 1 1 1 0 1 1]
模型得分: 1.0
In [ ]: