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：王泽鹏
  • 学号：20405536
  • 班级：计科2002班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [2]:
# your code
total_sum = 0
factorial = 1

for i in range(1, 21):
    factorial *= i
    total_sum += factorial

print(total_sum)

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
s1=[9,7,8,3,2,1,55,6]
x=len(s1)
y=max(s1)
z=min(s1)
print("列表元素个数：",x,"最大数：",y,"最小数：",z)
s1.append(10)
print(s1)
s1.remove(55)
print(s1)

列表元素个数： 8 最大数： 55 最小数： 1
[9, 7, 8, 3, 2, 1, 55, 6, 10]
[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 [4]:
# your code
for i in range(5, 0, -1):
    print('T' * i + 'x' * (5 - i))

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 [12]:
# your code
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):
    return x / y
print("选择操作")
print("1.相加")
print("2.相减")
print("3.相乘")
print("4.相除")
choice = input("选择(1/2/3/4): ")
num1 = float(input("输入第一个数字: "))
num2 = float(input("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")

选择操作
1.相加
2.相减
3.相乘
4.相除
48.0 / 4.0 = 12.0

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 [8]:
# your code
class Student:
    def __init__(self,name,age,*cou):
        self.name=name
        self.age=age
        self.course=cou
    def get_name(self):
        return str(self.name)
    def get_age(self):
        return int(self.age)
    def get_course(self):
        return int(max(max(self.course)))
zm=Student('zhangming',20,[69,88,100])
print('学生姓名为：',zm.get_name(),'年龄为：',zm.get_age(),'最高分成绩为：',zm.get_course())

学生姓名为： zhangming 年龄为： 20 最高分成绩为： 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]:
import pandas as pd
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]

plt.bar(x, y)
plt.title(' ')

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]:
# 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=36)
# 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: [ 0.70124962 -0.05149115 -0.71603223 -0.70420377]
截距: 121.46879074276617
训练集得分: 0.9794253107321269
测试集得分: 0.9472929761483323

岭回归：
系数: [ 0.76080357  0.00723825 -0.65311572 -0.64674684]
截距: 115.74649161080144
训练集得分: 0.9794069424143192
测试集得分: 0.9492404311368755

Lasso回归：
系数: [ 0.75286851  0.         -0.65976182 -0.65367585]
截距: 116.4377468523386
训练集得分: 0.9794095139616774
测试集得分: 0.9489541123392986

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 [11]:
# 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=36)
# 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： ['否' '否' '是' '是' '是' '是' '否']
实际结果： ['是' '是' '是' '是' '否' '是' '是']
模型得分： 0.42857142857142855
In [ ]: