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：亢世帆
  • 学号：20407119
  • 班级：计科2001班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [10]:
total = 0 
factorial = 1 
for i in range(1, 21):
    factorial *= i 
    total += factorial 
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 [11]:
s = [9, 7, 8, 3, 2, 1, 55, 6]

count = len(s)  # 计算s中元素的个数
maximum = max(s)  # 计算s中的最大值
minimum = min(s)  # 计算s中的最小值

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

print("元素个数：", count)
print("最大值：", maximum)
print("最小值：", minimum)
print("添加10后的列表s：", s)

元素个数： 8
最大值： 55
最小值： 1
添加10后的列表s： [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 [12]:
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 [13]:
# 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）：3
请输入第一个数字：61
请输入第二个数字：3
计算结果为： 183.0

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 [14]:
class Student:
    def __init__(self, name, age, course):
        self.name = name
        self.age = age
        self.course = course

    def get_name(self):
        return str(self.name)

    def get_age(self):
        return int(self.age)

    def get_course(self):
        return int(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 [15]:
import matplotlib.pyplot as plt

# X 和 Y 值
x1_values = [-3.00, -2.50, -1.75, -1.15, -0.50]
y1_values = [4, 12, 50, 120, 205]

x2_values = [0.15, 0.75, 1.25, 1.85, 2.45]
y2_values = [255, 170, 100, 20, 14]

# 绘制图形
fig, ax = plt.subplots()
ax.bar(x1_values, y1_values, width=0.3, color='blue')
ax.bar(x2_values, y2_values, width=0.3, color='green')
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_title('柱状图')
plt.show()

E:\Anaconda3\lib\site-packages\IPython\core\pylabtools.py:151: UserWarning: Glyph 26609 (\N{CJK UNIFIED IDEOGRAPH-67F1}) missing from current font.
  fig.canvas.print_figure(bytes_io, **kw)
E:\Anaconda3\lib\site-packages\IPython\core\pylabtools.py:151: UserWarning: Glyph 29366 (\N{CJK UNIFIED IDEOGRAPH-72B6}) missing from current font.
  fig.canvas.print_figure(bytes_io, **kw)
E:\Anaconda3\lib\site-packages\IPython\core\pylabtools.py:151: UserWarning: Glyph 22270 (\N{CJK UNIFIED IDEOGRAPH-56FE}) missing from current font.
  fig.canvas.print_figure(bytes_io, **kw)

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 [17]:
import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression, Ridge, Lasso
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 将数据存储到 Pandas DataFrame
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]}
df = pd.DataFrame(data)

# 分割训练集和测试集
X = df.iloc[:, :-1]    # 提取所有的特征变量
Y = df['Y']            # 提取输出变量

X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=19)

# 线性回归
lr = LinearRegression()
lr.fit(X_train, y_train)
y_pred_lr = lr.predict(X_test)
w_lr = lr.coef_
b_lr = lr.intercept_
mse_lr = mean_squared_error(y_test, y_pred_lr)

# 岭回归
ridge = Ridge(alpha=1)
ridge.fit(X_train, y_train)
y_pred_ridge = ridge.predict(X_test)
w_ridge = ridge.coef_
b_ridge = ridge.intercept_
mse_ridge = mean_squared_error(y_test, y_pred_ridge)

# Lasso回归
lasso = Lasso(alpha=0.1)
lasso.fit(X_train, y_train)
y_pred_lasso = lasso.predict(X_test)
w_lasso = lasso.coef_
b_lasso = lasso.intercept_
mse_lasso = mean_squared_error(y_test, y_pred_lasso)

# 输出各个回归的 w 和 b 系数
print('线性回归：w=', w_lr, ', b=', b_lr)
print('岭回归：  w=', w_ridge, ', b=', b_ridge)
print('lasso回归：w=', w_lasso, ', b=', b_lasso)

线性回归：w= [ 1.37914915  0.52235563 -0.11353673 -0.16566386] , b= 66.18042444982297
岭回归：  w= [ 1.21471328  0.39359214 -0.26743013 -0.29337994] , b= 79.1913312989731
lasso回归：w= [ 1.405279    0.55172639 -0.08210026 -0.13686687] , b= 63.3405231601846

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 [18]:
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# 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)

# 将特征转化为数字编码
df['年龄'] = df['年龄'].map({'<=30': 0, '31-40': 1, '>40': 2})
df['收入'] = df['收入'].map({'低': 0, '中': 1, '高': 2})
df['是否为学生'] = df['是否为学生'].map({'否': 0, '是': 1})
df['信誉'] = df['信誉'].map({'中': 0, '优': 1})
df['购买计算机'] = df['购买计算机'].map({'否': 0, '是': 1})

# 分割训练集和测试集
X = df.iloc[:, :-1]    # 特征变量
y = df.iloc[:, -1]     # 输出变量

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=19)

# 创建模型并进行训练
gnb = GaussianNB()
gnb.fit(X_train, y_train)

# 使用模型进行预测
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：', accuracy_score(y_test, y_pred))

预测结果： [1 1 1 1 1 1 1]
实际结果： [1 1 1 0 1 0 0]
模型得分： 0.5714285714285714
In [ ]: