
result = 0
factorial = 1
for i in range(1, 21):
    factorial *= i
    result += factorial
print(result)

2561327494111820313


s = [9, 7, 8, 3, 2, 1, 55, 6]

# 计算元素个数、最大值和最小值
count = len(s)
max_num = max(s)
min_num = min(s)

# 添加一个元素10
s.append(10)

# 删除一个元素55
s.remove(55)

# 输出结果
print("列表s中元素的个数为：", count)
print("列表s中的最大数为：", max_num)
print("列表s中的最小数为：", min_num)
print("添加元素后的列表s为：", s)

列表s中元素的个数为： 8
列表s中的最大数为： 55
列表s中的最小数为： 1
添加元素后的列表s为： [9, 7, 8, 3, 2, 1, 6, 10]


n = 5
for i in range(n):
    print('T'*(n-i-1) + 'x'*(i+1))

TTTTx
TTTxx
TTxxx
Txxxx
xxxxx


# 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：782
请输入第二个数字：712
计算结果为： 556784.0


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)

# 创建一个学生对象
st = Student('zhangming', 20, [69, 88, 100])
# 打印学生的姓名、年龄和最高分数
print('姓名：', st.get_name())
print('年龄：', st.get_age())
print('最高分数：', st.get_course())

姓名： zhangming
年龄： 20
最高分数： 100


import matplotlib.pyplot as plt
import numpy as np

# 定义数据
x1 = [-3.00, -2.50, -1.75, -1.15, -0.50]
y1 = [4, 12, 50, 120, 205]
x2 = [0.15, 0.75, 1.25, 1.85, 2.45]
y2 = [255, 170, 100, 20, 14]

# 创建画布和子图对象
fig, ax = plt.subplots()

# 创建柱状图
width = 0.35
rects1 = ax.bar(x1, y1, width, label='Values 1')
rects2 = ax.bar(x2, y2, width, label='Values 2')

# 添加轴标签、标题和图例
ax.set_xlabel('X Value')
ax.set_ylabel('Y Value')
ax.set_title('Comparison of Values in Different Categories')
ax.set_xticks(x1 + x2)
ax.legend()

# 显示图形
plt.show()


import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression, Ridge, Lasso

# 手动输入数据
X = np.array([[7,26,6,60],
              [1,29,15,52],
              [11,56,8,20],
              [11,31,8,47],
              [7,52,6,33],
              [11,55,9,22],
              [3,71,17,6],
              [1,31,22,44],
              [2,54,18,22],
              [21,47,4,26],
              [1,40,23,34],
              [11,66,9,12],
              [10,68,8,12]])
y = np.array([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])

# 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=33)

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


# 岭回归
ridge = Ridge(alpha=1)
ridge.fit(X_train, y_train)
print('岭回归: w =', ridge.coef_, ', b =', ridge.intercept_)


# Lasso回归
lasso = Lasso(alpha=0.1)
lasso.fit(X_train, y_train)
print('Lasso回归: w =', lasso.coef_, ', b =', lasso.intercept_)

线性回归: w = [1.8345409  0.94625926 0.44872786 0.21458594] , b = 25.07192199710964
岭回归: w = [ 1.57447024  0.68161575  0.18808347 -0.04549686] , b = 50.56897681218462
Lasso回归: w = [ 1.61643393  0.72707903  0.22806763 -0.        ] , b = 46.242690616035496


# 导入库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# 定义数据集
data = {"Age": ["<=30", "<=30", "31-40", ">40", ">40", ">40", "31-40", "<=30", "<=30", ">40", "<=30",
                "31-40", "31-40", ">40"],
        "Income": ["high", "high", "high", "medium", "low", "low", "low", "medium", "low", "medium",
                    "medium", "medium", "high", "medium"],
        "Student": ["no", "no", "no", "no", "yes", "yes", "yes", "no", "yes", "yes", "yes", "no", "yes",
                    "no"],
        "Credit_rating": ["mid", "high", "mid", "mid", "mid", "high", "high", "mid", "mid", "mid", "high",
                            "high", "mid", "high"],
        "Buy_computer": ["no", "no", "yes", "yes", "yes", "no", "yes", "no", "yes", "yes", "yes", "yes",
                            "yes", "no"]
        }

# 将数据集转换为DataFrame格式
df = pd.DataFrame(data)

# 将字符特征转换成数值特征
df["Age"] = df["Age"].map({"<=30": 0, "31-40": 1, ">40": 2})
df["Income"] = df["Income"].map({"low": 0, "medium": 1, "high": 2})
df["Student"] = df["Student"].map({"no": 0, "yes": 1})
df["Credit_rating"] = df["Credit_rating"].map({"low": 0, "mid": 1, "high": 2})
df["Buy_computer"] = df["Buy_computer"].map({"no": 0, "yes": 1})

# 将数据集分割成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(df.drop(columns=["Buy_computer"]), df["Buy_computer"], test_size=0.5, random_state=33)

# 初始化模型
gnb = GaussianNB()

# 训练模型
gnb.fit(X_train, y_train)

# 预测测试集结果
y_pred = gnb.predict(X_test)

# 计算准确率
score = accuracy_score(y_test, y_pred)

# 输出预测结果、实际结果和模型得分
print("Predict\tActual")
for i in range(len(y_test)):
    print("{}\t{}".format(y_pred[i], y_test.iloc[i]))
print("Model score:", score)

Predict	Actual
1	0
1	1
1	0
1	1
1	0
1	1
1	0
Model score: 0.42857142857142855

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

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¶

1.编写程序，求$1!+2!+3!+...20!$的和¶

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。¶

3.编写程序，用循环打印如下图形，不用循环0分¶

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。¶

6.编写程序，根据下表的数据绘制柱状图（条形图）¶

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）。¶

8.编写程序，用朴素贝叶斯算法进行分类，数据集如下¶

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

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