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：李森豪
  • 学号：20407242
  • 班级：计科2002班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [1]:
# your code
n = 0
s = 0
t = 1
for n in range(1,21):
    t *= n
    s += t
print(s)

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 [3]:
# your code
def choose(s):
    sum = 0
    all = 0
    maxnum = max(s)
    minnum = min(s)
    for i in s:
        sum = sum + 1
        all = all + i
    average = all / sum
    print(str("元素个数{0}，最大值{1}，最小值{2}，元素和{3}，平均值{4}").format(sum, maxnum, minnum, all, average))
def main():
    s = [9,7,8,3,2,1,55,6]
    choose(s)
main()

元素个数8，最大值55，最小值1，元素和91，平均值11.375

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 [8]:
# your code
for i in range(5):
    for j in range(5 - i):
        print("T", end="")
    for k in range(i+1):
        print("x", end="")
    print()

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 [5]:
# your code
def hello():
    print('欢迎使用本计算器！！！')
    while True:
        select = int(input('请输入要操作的选项：1 加法 2 减法 3 除法 4 乘法'))
        if select == 1:
            add()
        elif select == 2:
            red()
        elif select == 3:
            rid()
        elif select == 4:
            exc()
        else:
            print('你的输入有误，请重新输入！！！')
            continue
        choice = input('是否继续？继续输入Y，输入任意键退出。')
        if choice != 'Y':
            break


def add():
    a = float(input('请输入第一个数：'))
    b = float(input('请输入第二个数：'))
    result = a + b
    print('两个数的和为{}'.format(result))


def red():
    a = float(input('请输入被减数：'))
    b = float(input('请输入减数：'))
    result = a - b
    print('两个数的差为{}'.format(result))


def rid():
    a = float(input('请输入第一个数：'))
    b = float(input('请输入第二个数：'))
    result = a * b
    print('两个数的积为{}'.format(result))


def exc():
    a = float(input('请输入被除数数：'))
    b = float(input('请输入除数：'))
    result = a / b
    print('两个数的商为{}'.format(result))


hello()

欢迎使用本计算器！！！
你的输入有误，请重新输入！！！
两个数的和为8.0

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 [17]:
# your code
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("学生姓名：", st.get_name())
print("学生年龄：", st.get_age())
print("学生最高分数：", st.get_course())

学生姓名： zhangming
学生年龄： 20
学生最高分数： 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 [9]:
# your code
import numpy as np
import matplotlib.pyplot as plt
import random

# 准备数据
x_data = [-3.00,-2.50,-1.75,-1.15,-0.50,0.15,0.75,1.25,1.85,2.45]
y_data = [4,12,50,120,205,255,170,100,20,14]

# 正确显示中文和负号
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

# 画图，plt.bar()可以画柱状图
plt.style.use('ggplot')       #添加网格线
for i in range(len(x_data)):
    plt.bar(x_data[i], y_data[i])
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 [13]:
# your code
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression, Ridge, Lasso
# 读入数据
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]
})
# 数据预处理
X = data.iloc[:, :-1]
Y = data.iloc[:, -1]
# 分割训练集和测试集
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=42)
# 线性回归
lr = LinearRegression()
lr.fit(X_train, Y_train)
print("线性回归：")
print("系数:", lr.coef_)
print("截距:", lr.intercept_)
print("训练集得分:", lr.score(X_train, Y_train))
print("测试集得分:", lr.score(X_test, Y_test))
# 岭回归
ridge = Ridge(alpha=1.0)
ridge.fit(X_train, Y_train)
print("\n岭回归：")
print("系数:", ridge.coef_)
print("截距:", ridge.intercept_)
print("训练集得分:", ridge.score(X_train, Y_train))
print("测试集得分:", ridge.score(X_test, Y_test))
# Lasso回归
lasso = Lasso(alpha=0.1)
lasso.fit(X_train, Y_train)
print("\nLasso回归：")
print("系数:", lasso.coef_)
print("截距:", lasso.intercept_)
print("训练集得分:", lasso.score(X_train, Y_train))
print("测试集得分:", lasso.score(X_test, Y_test))

线性回归：
系数: [ 1.2025628   0.28487458 -0.17808246 -0.3639949 ]
截距: 85.44669988722116
训练集得分: 0.9722976513958527
测试集得分: 0.9917633778849372

岭回归：
系数: [ 1.09412861  0.20428354 -0.27323503 -0.44443726]
截距: 93.62436314204732
训练集得分: 0.9722530473983771
测试集得分: 0.9892799817933159

Lasso回归：
系数: [ 1.2221128   0.31111027 -0.15413921 -0.338068  ]
截距: 82.97772684307277
训练集得分: 0.9722909438174843
测试集得分: 0.9915372637147916

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 [15]:
# your code

import pandas as pd
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 读取数据
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']
})
# 将特征转换为数字
data.replace({'年龄': {'<=30': 1, '31-40': 2, '>40': 3},
              '收入': {'低': 1, '中': 2, '高': 3},
              '是否为学生': {'否': 0, '是': 1},
              '信誉': {'中': 1, '优': 2}}, inplace=True)
# 分离特征和标签
X = data.iloc[:, :-1]
y = data.iloc[:, -1]
# 划分训练集和测试集，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=0.5, random_state=42)
# 创建朴素贝叶斯分类器
clf = GaussianNB()
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集结果
y_pred = clf.predict(X_test)
# 输出预测结果、实际结果以及模型得分
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： ['是' '否' '是' '是' '否' '是' '是']
实际结果： ['否' '否' '否' '是' '是' '是' '是']
模型得分： 0.5714285714285714
In [ ]: