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：赵巾漾
  • 学号：19407252
  • 班级：计科2002班

1.编写程序，求$1!+2!+3!+...20!$的和¶

In [8]:
# your code
#递归求值的阶乘
def Factorial(n):
    #设置终止条件
    if n == 1:
        return 1
    return n*Factorial(n-1)
#依次调用Factorial函数，进行值的累加
Num = 0
for n in range(1,21):
    res = Factorial(n)
    Num += res
print(Num)

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 [9]:
# your code
s=[9,7,8,3,2,1,55,6]
print(len(s))
print(max(s))
print(min(s))
s.append(10)
s.pop(6)

8
55
1
Out[9]:
55

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 [10]:
# your code
# 对行数进行循环
for i in range(0,5):
    #通过与i相关联，实现T字符的打印
    for t in range(0,5-i):
        print("T",end="")   
    for x in range(5-i,6):
        print("x",end="")
    print() #换行  

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 [6]:
# your code
def Add(a,b):
    return a+b
def Sub(a,b):
    return a-b
def Mul(a,b):
    return a*b
def Div(a,b):
    if(b==0):
        print("Error!")
        return    
    return a/b
while True:
    Choice = input("Choice:")
    if(Choice == '0'):
        break
    a = int(input("a:"))
    b = int(input("b:"))
    if(Choice == '1'):
        print(Add(a,b))
    elif(Choice == '2'):
        print(Sub(a,b))
    elif(Choice == '3'):
        print(Mul(a,b))
    elif(Choice == '4'):
        print(Div(a,b))

Error!
None
2.0

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 [11]:
# 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(max(self.course))
st=Student('zhangming',20,[69,88,100])
print('学生姓名为：',st.get_name(),'学生年龄为：',st.get_age(),'学生最高成绩为：',st.get_course())

学生姓名为： zhangming 学生年龄为： 20 学生最高成绩为： 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 [12]:
# your code
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.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 [2]:
# your code
import numpy as np
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]
}

X = np.column_stack((data['X1'], data['X2'], data['X3'], data['X4']))
y = np.array(data['Y'])

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=52)

# 线性回归
lr = LinearRegression()
lr.fit(X_train, y_train)
print("线性回归:")
print("系数 (w):", lr.coef_)
print("截距 (b):", lr.intercept_)
print()

# 岭回归
ridge = Ridge(alpha=1.0)
ridge.fit(X_train, y_train)
print("岭回归:")
print("系数 (w):", ridge.coef_)
print("截距 (b):", ridge.intercept_)
print()

# Lasso回归
lasso = Lasso(alpha=1.0)
lasso.fit(X_train, y_train)
print("Lasso回归:")
print("系数 (w):", lasso.coef_)
print("截距 (b):", lasso.intercept_)

线性回归:
系数 (w): [ 1.37914915  0.52235563 -0.11353673 -0.16566386]
截距 (b): 66.18042444982322

岭回归:
系数 (w): [ 1.21471328  0.39359214 -0.26743013 -0.29337994]
截距 (b): 79.19133129897192

Lasso回归:
系数 (w): [ 1.31546203  0.5221478  -0.11968615 -0.16585364]
截距 (b): 66.68277770629365

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 [3]:
# your code
import numpy as np
import pandas as pd
from sklearn import metrics
# 导入高斯朴素贝叶斯分类器
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split

x = np.array(
    [
        [1, 3, 0, 1, 0],
        [1, 3, 0, 2, 1],
        [2, 3, 0, 2, 1],
        [3, 2, 0, 1, 1],
        [3, 1, 1, 1, 1],
        [3, 1, 1, 2, 0],
        [2, 1, 1, 2, 1],
        [1, 2, 0, 1, 0],
        [1, 1, 1, 1, 1],
        [3, 2, 1, 1, 1],
        [1, 2, 1, 2, 1],
        [2, 2, 0, 2, 1],
        [2, 3, 1, 1, 1],
        [3, 2, 0, 2, 0],
    ]
)

y = np.array(
    [
        0,1,1,1,1,0,1,0,1,1,1,1,1,0
    ]
)
X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.5, random_state=52)
# 使用高斯朴素贝叶斯进行计算
clf = GaussianNB()
clf.fit(X_train, y_train)
# 评估
y_predict = clf.predict(X_test)
score_gnb = metrics.accuracy_score(y_predict,y_test)

print('该用户是否购买计算机:',y_predict)
print(y_test)
print(score_gnb)

该用户是否购买计算机: [1 1 1 1 1 1 1]
[1 1 1 1 1 0 0]
0.7142857142857143
In [ ]: