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：张利红
  • 学号：20407148
  • 班级：计科2001班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [1]:
# 计算n的阶乘
def factorial(n):
    if n == 1:
        return 1
    else:
        return n * factorial(n-1)

# 计算1! + 2! + 3! + ... + 20!
total = 0
for i in range(1, 21):
    total += factorial(i)

print(total)

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]

# 元素个数
print("元素个数：", len(s))

# 最大值
print("最大值：", max(s))

# 最小值
print("最小值：", min(s))

# 添加元素10
s.append(10)
print("添加元素10后的列表：", s)

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

元素个数： 8
最大值： 55
最小值： 1
添加元素10后的列表： [9, 7, 8, 3, 2, 1, 55, 6, 10]
删除元素55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]:
for i in range(5):
    for j in range(5-i):
        print("T", end="")
    for k in range(i):
        print("x", end="")
    print()

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 [4]:
# 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):
    return x / y

# 打印菜单提示信息
print("请选择要进行的计算：")
print("1. 加法")
print("2. 减法")
print("3. 乘法")
print("4. 除法")

# 获取用户选择
choice = input("请输入计算的序号（1/2/3/4）：")

# 获取用户输入的数字
num1 = float(input("请输入第一个数字："))
num2 = float(input("请输入第二个数字："))

# 根据用户选择调用相应的函数进行计算
if choice == '1':
    result = add(num1, num2)
elif choice == '2':
    result = subtract(num1, num2)
elif choice == '3':
    result = multiply(num1, num2)
elif choice == '4':
    result = divide(num1, num2)
else:
    print("输入的计算序号不正确！")

# 输出计算结果
print("计算结果为：", result)

请选择要进行的计算：
1. 加法
2. 减法
3. 乘法
4. 除法
请输入计算的序号（1/2/3/4）：2
请输入第一个数字：98
请输入第二个数字：45
计算结果为： 53.0

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 [5]:
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("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 [6]:
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)]

# 将数据拆分为 x 和 y 坐标
x = [i[0] for i in data]
y = [i[1] for i in data]

# 绘制条形图
plt.bar(x, y)

# 设置标题和坐标轴标签
plt.title("Bar Chart")
plt.xlabel("X Axis")
plt.ylabel("Y Axis")

# 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 [8]:
import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression, Ridge, Lasso
from sklearn.model_selection import train_test_split

# 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]}

# 转为 DataFrame
df = pd.DataFrame(data)

# 分隔特征和目标
X = df.drop('Y', axis=1)
Y = df['Y']

# 拆分数据集
train_X, test_X, train_Y, test_Y = train_test_split(X, Y, test_size=0.2, random_state=48)

# 线性回归
lr = LinearRegression()
lr.fit(train_X, train_Y)
print('===线性回归===')
print('w:', lr.coef_)
print('b:', lr.intercept_)

# 岭回归
ridge = Ridge(alpha=1.0)
ridge.fit(train_X, train_Y)
print('===岭回归===')
print('w:', ridge.coef_)
print('b:', ridge.intercept_)

# Lasso 回归
lasso = Lasso(alpha=0.1)
lasso.fit(train_X, train_Y)
print('===Lasso 回归===')
print('w:', lasso.coef_)
print('b:', lasso.intercept_)

===线性回归===
w: [ 1.14735687  0.21239976 -0.32800606 -0.42396249]
b: 92.37823019043876
===岭回归===
w: [ 1.09637836  0.16865872 -0.37832815 -0.46696953]
b: 96.73786398238221
===Lasso 回归===
w: [ 1.1833755   0.24890043 -0.28746408 -0.38801264]
b: 88.80275594629103

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 [9]:
import pandas as pd
from sklearn.naive_bayes import CategoricalNB
from sklearn.model_selection import train_test_split

# 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)

# 将字符串转换为数字
df['年龄'] = pd.factorize(df['年龄'])[0]
df['收入'] = pd.factorize(df['收入'])[0]
df['是否为学生'] = pd.factorize(df['是否为学生'])[0]
df['信誉'] = pd.factorize(df['信誉'])[0]
df['购买计算机'] = pd.factorize(df['购买计算机'])[0]

# 分隔特征和目标变量
X = df.drop('购买计算机', axis=1)
Y = df['购买计算机']

# 拆分数据集
train_X, test_X, train_Y, test_Y = train_test_split(X, Y, test_size=0.5, random_state=48)

# 模型训练和预测
nb = CategoricalNB()
nb.fit(train_X, train_Y)
predicted_Y = nb.predict(test_X)

# 预测结果、实际结果和得分
print('预测结果:', predicted_Y)
print('实际结果:', test_Y.values)
print('模型得分:', nb.score(test_X, test_Y))

预测结果: [1 0 1 1 0 0 0]
实际结果: [0 1 1 1 1 1 0]
模型得分: 0.42857142857142855
In [ ]: