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：唐梓娜
  • 学号：20407139
  • 班级：计科2001班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [1]:
total = 0
factorial = 1
for i in range(1, 21):
    # 计算 i! 的值
    factorial *= i
    #累加 factorial 的值
    total += factorial 
print("和为：",total)

和为： 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]
# 计算列表元素的个数
num = len(s)
print("元素个数为：", num)

# 找到列表中的最大数和最小数
max_num = max(s)
min_num = min(s)
print("最大数为：", max_num)
print("最小数为：", min_num)

# 添加一个元素10
s.append(10)
# 删除一个元素55
s.remove(55)

print("最终列表为：", s)

元素个数为： 8
最大数为： 55
最小数为： 1
最终列表为： [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]:
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）：2
请输入第一个数字：5
请输入第二个数字：69
5 - 69 = -64

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("学生姓名：", st.get_name())
print("学生年龄：", st.get_age())
print("最高分数：", st.get_course())

学生姓名： zhangming
学生年龄： 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
 
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, width=0.2)
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 [9]:
import numpy as np
from sklearn.model_selection import train_test_split

data = np.array([[ 7, 26,  6, 60, 78.5],
                 [ 1, 29, 15, 52, 74.3],
                 [11, 56,  8, 20,104.3],
                 [11, 31,  8, 47, 87.6],
                 [ 7, 52,  6, 33, 95.9],
                 [11, 55,  9, 22,109.2],
                 [ 3, 71, 17,  6,102.7],
                 [ 1, 31, 22, 44, 72.5],
                 [ 2, 54, 18, 22, 93.1],
                 [21, 47,  4, 26,115.9],
                 [ 1, 40, 23, 34, 83.8],
                 [11, 66,  9, 12,113.3],
                 [10, 68,  8, 12,109.4]])

X = data[:,0:4]
y = data[:,4]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=39)

#线性回归
from sklearn.linear_model import LinearRegression

lr = LinearRegression()
lr.fit(X_train, y_train)

print('线性回归：')
print('w：', lr.coef_)
print('b：', lr.intercept_)

#岭回归
from sklearn.linear_model import Ridge

ridge = Ridge(alpha=1.0)  # alpha值可以更换试验寻找最好的效果
ridge.fit(X_train, y_train)

print('岭回归：')
print('w：', ridge.coef_)
print('b：', ridge.intercept_)

#Lasso回归
from sklearn.linear_model import Lasso

lasso = Lasso(alpha=1.0)  # alpha值可以更换试验寻找最好的效果
lasso.fit(X_train, y_train)

print('Lasso回归：')
print('w：', lasso.coef_)
print('b：', lasso.intercept_)

线性回归：
w： [ 1.49097163  0.43905056  0.03669793 -0.22067373]
b： 68.98684995750071
岭回归：
w： [ 1.27824933  0.23607266 -0.18048285 -0.42040313]
b： 88.96559858450073
Lasso回归：
w： [ 1.42760589  0.40083577 -0.         -0.25520332]
b： 72.77911616924929

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 [14]:
import pandas as pd
from sklearn.model_selection import train_test_split

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']})

X = data.drop('购买计算机', axis=1)
y = data['购买计算机']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=39)
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder, LabelEncoder

# 对类别特征进行编码
cat_features = ['年龄', '收入', '是否为学生', '信誉']
ct = ColumnTransformer([('one_hot_encoder', OneHotEncoder(), cat_features)],
                       remainder='passthrough')

X_train_encoded = ct.fit_transform(X_train)
X_test_encoded = ct.transform(X_test)
from sklearn.naive_bayes import GaussianNB

gnb = GaussianNB()
gnb.fit(X_train_encoded, y_train)
from sklearn.metrics import accuracy_score

y_pred = gnb.predict(X_test_encoded)
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' '是' '否' '是' '是' '是' '否']
实际结果： ['是' '否' '否' '是' '是' '是' '否']
模型得分： 0.8571428571428571
In [ ]: