《Python语言基础及应用》习题答案汇总 江晓林 第1-10章

第1章无第2章1.将你最喜欢的数字存储在一个变量中，再使用这个变量创建一条消息，指出你最喜欢的数字，然后将这条消息打印出来。favorite_number=7message="Myfavoritenumberis"+str(favorite_number)+"."print(message)2.将用户的姓名存到一个变量中，并向该用户显示一条消息。显示的消息应非常简单，如“HelloEric,wouldyouliketolearnsomePythontoday?”。#获取用户的姓名name=input("请输入您的姓名:")#显示消息print("Hello"+name+",wouldyouliketolearnsomePythontoday?")3.将一个人名存储到一个变量中，再以小写、大写和首字母大写的方式显示这个人名。#存储人名到变量中person_name="JohnDoe"#小写显示print("小写:",person_name.lower())#大写显示print("大写:",person_name.upper())#首字母大写显示print("首字母大写:",person_name.capitalize())4.找一句你钦佩的名人说的名言，将名人的姓名存储在变量famous_person中，将他的名言连同姓名存储在变量message中。然后打印message。输出应类似于下面这样(包括引号，\t，\n):AlbertEinsteinoncesaid：“Apersonwhonevermadeamistakenevertriedanythingnew.”famous_person="AlbertEinstein"message=f"{famous_person}oncesaid:\n\"Apersonwhonevermadeamistakenevertriedanythingnew.\""print(message)5.编写一个程序，将温度从华氏温度转换为摄氏温度。fahrenheit=float(input("请输入华氏温度："))celsius=(fahrenheit-32)*5/9print("摄氏温度为：",celsius)6.编写一个程序以执行你自己选择的单位转换。确保程序打印介绍，解释它的作用。print("这个程序用于将英寸转换为厘米。")inches=float(input("请输入英寸值:"))cm=inches*2.54print(f"{inches}英寸等于{cm}厘米。")第3章1. 请在list=[1,2,3,4,5,6,7,8,9]中的索引为2的位置的后面插入多个数字（元素）：78,89,76,23,78,89,76,23>>>list=[1,2,3,4,5,6,7,8,9]>>>list=list[:2]+[78,89,76,23]+list[2:]>>>list[1,2,78,89,76,23,3,4,5,6,7,8,9]>>>list=[1,2,3,4,5,6,7,8,9]>>>j=2>>>foriin[78,89,76,23]:...list.insert(j,i)...j+=1...>>>list[1,2,78,89,76,23,3,4,5,6,7,8,9]2. 求一句英文句子(Thisisapen)的单词数。>>> sentence="Thisisapen">>> words=sentence.split()>>> print(len(words))3. 在一行中输入若干个整数(至少输入一个整数)，整数之间用空格分割，要求将数据按从小到大排序输出。>>> n=input(‘请输入若干个整数，整数间用空格分割：’) >>> nn=n.split() #分割字符串>>> nn=[int(i)foriinnn] #将字符串型转为整数型>>> nn.sort() #排序4. 对列表mailto=['cc','bbbb','afa','sss','bbbb','cc','shafa']进行去重操作，并保持原有顺序。mailto=['cc','bbbb','afa','sss','bbbb','cc','shafa']addr_to=list(set(mailto))print(addr_to)addr_to.sort(key=mailto.index)print(addr_to)5. 编写程序。新建一个空列表，向其中添加10名同学的成绩（百分制）。显示此列表中所有成绩的最高成绩，最低成绩，平均成绩。将列表降序排序后，使用切片显示前三名成绩，后三名的成绩，排在第3名到第5名成绩；使用切片在列表首部插入一个100分，在尾部追加一个0分；使用切片将此时的列表的后五个数全部替换为60；使用切片删除倒数第1，3，5三个数；最后显示所有的成绩。list=[]#建立空列表foriinrange(1,11,1):cj=int(input("请输入成绩"))list.append(cj)list.sort(reverse=1)#列表排序print("最高成绩",list[0])#输出最高成绩print("最低成绩",list[9])#输出最低成绩m=sum(list)print("平均成绩",m/10)#输出平均成绩print("前三名成绩",list[0:3:1])#输出前三名成绩print("排在第3名到第5名成绩",list[2:5:1])#输出排在第3名到第5名成绩print("后三名成绩",list[7:10:1])#输出后三名成绩list[:0]=[100]#在首部插入100分list[11:]=[0]#在尾部追加一个0分list[7:]=[60,60,60,60,60]#替换列表后5个数为60dellist[11:12]#删除倒数第一个数dellist[9:10]#删除倒数第三个数dellist[7:8]#删除倒数第五个数print(list)6. 要求输入一个四位数的年，判断当前的年份的生肖。生肖纪年顺序为：子鼠、丑牛、寅虎、卯兔、辰龙、巳蛇、午马、未羊、申猴、酉鸡、戌狗、亥猪。#地支算法：用公元纪年-3，除以12所得余数，即为对应的年。所以生肖顺序相应变更['申猴','酉鸡','戌狗','亥猪','子鼠','丑牛','寅虎','卯兔','辰龙','巳蛇','午马','未羊']year=int(input('输入一个四位数的年份:'))print(year)varlist=['申猴','酉鸡','戌狗','亥猪','子鼠','丑牛','寅虎','卯兔','辰龙','巳蛇','午马','未羊']print(varlist[year%12])第4章1.根据输入第一个和第二个的英文字母，判断是星期几'''周一Monday周二Tuesday周三Wednesday周四Thursday周五Fri(Friday)周六Sat(Saturday)周日Sunday'''date=input("请输入第一个字母:").upper()ifdate=='M':print('Monday')elifdate=='T':date=input("请输入第二个字母:").lower()ifdate=='u':print('Tuesday')elifdate=='h':print('Thursday')else:print('输入有误~~~')elifdate=='W':print('Wednesday')elifdate=='F':print('Friday')elifdate=='S':date=input("请输入第二个字母:").lower()ifdate=='a':print('Saturday')elifdate=='u':print('Sunday')else:print('输入有误~~~')else:print('输入有误~~~')2. 登录验证：请输入用户名和密码，判断是否都正确，才能成功登陆。name=input("请输入用户名:")pwd=input("请输入密码")ifname=="name":ifpwd=="123456":print("登录成功!")else:print("密码错误!")else:print("登录名错误!")3. 数字猜谜游戏：猜大了提示:猜的数字大了；猜小了提示:猜的数字小了；猜正确停止。number=5a=0print('欢迎进入猜数字游戏')whilea!=number:a=int(input('请输入要猜的数字'))ifa==number:print('恭喜,猜对了')elifa<number:print('猜小了')elifa>number:print('猜大了')else:print('好好玩哦~')4. 用嵌套循环打印九九乘法表foriinrange(1,10):forjinrange(1,i+1):print("{}*{}={}".format(j,i,i*j),end="")print()5. 用嵌套循环将字符*输出效果：IUimporttimey=2.5whiley>=-1.6:x=-3.0whilex<=4.0:if(x*x+y*y-1)**3<=3.6*x*x*y*y*yor(x>-2.4andx<-2.1andy<1.5andy>-1)or(((x<2.5andx>2.2)or(x>3.4andx<3.7))andy>-1andy<1.5)or(y>-1andy<-0.6andx<3.7andx>2.2):print('*',end="")else:print('',end="")x+=0.1print()time.sleep(0.25)y-=0.26. 通过设置print()函数中的参数end实现加载效果：加载中1%到100%importtimeinner=500forninrange(inner+1):loading=round(n/inner*100)#通过加\r每次输出完跳回，用end=""替换默认的换行，只要数字在改变，因此表面上展现进度刷新print(f"\r加载中{loading}%",end="")#由于没有放入复杂程序，如果直接打印，展示不出效果，因此用time.sleep模拟加载过程time.sleep(0.02)7. 对之前的【状态自评】进行需求扩充。具体要求如下：(10+∞)：睡醒了吗，亲[8,10]：今天状态不错，适合学习[6,8)：今天状态尚可，用学习稳定心情吧[4,6)：今天状态欠佳，用学习提升自己吧[1,4)：你或许需要好好休息，或者放松一下(-∞,1)：睡醒了吗？amount=int(input('请输入状态自评分【1（十分沮丧）~10（满面红光）】:'))print('******************')ifamount>10oramount<0: print('{0:=^14}'.format('睡醒了吗'))elifamount>=8: print('{0:=^14}'.format('今天状态不错')) print('{0:-^14}'.format('适合学习'))elifamount>=6: print('{0:=^14}'.format('今天状态尚可')) print('{0:-^14}'.format('用学习稳定心情吧'))elifamount>=4: print('{0:=^14}'.format('今天状态欠佳')) print('{0:-^14}'.format('用学习提升自己吧'))else: print('{0:=^14}'.format('你或许需要好好休息')) print('{0:-^14}'.format('或者放松一下'))print('******************')print('希望您度过愉快的一天！')第5章1. 输入两个正整数num1和num2（不超过500），求它们的最小公倍数并输出。方法一deflcm(a,b):foriinrange(min(a,b),0,-1):ifa%i==0andb%i==0:returna*b//inum1=int(input(""))num2=int(input(""))print(lcm(num1,num2))方法二deflcm(a,b):foriinrange(max(a,b),a*b+1):ifi%a==0andi%b==0:returninum1=int(input(""))num2=int(input(""))print(lcm(num1,num2))2. 编写函数，接收字符串参数，返回一个元组，其中第一个元素为大写字母个数，第二个元素为小写字母个数defdemo(s):result=[0,0]forchins:ifch.islower():result[1]+=1elifch.isupper():result[0]+=1returntuple(result)3. 编写函数，接收一个正偶数为参数，输出两个素数，并且这两个素数之和等于原来的正偶数。如果存在多组符合条件的素数，则全部输出。defdemo(n):defIsPrime(p):ifp==2:returnTrueifp%2==0:returnFalseforiinrange(3,int(p**0.5)+1,2):ifp%i==0:returnFalsereturnTrueifisinstance(n,int)andn>0andn%2==0:foriinrange(2,n//2+1):ifIsPrime(i)andIsPrime(n-i):print(i,'+',n-i,'=',n)4. 编写函数，计算字符串匹配的准确率。以打字练习程序为例，假设origin为原始内容，userInput为用户输入的内容，下面的代码用来测试用户输入的准确率。defRate(origin,userInput):ifnot(isinstance(origin,str)andisinstance(userInput,str)):print('Thetwoparametersmustbestrings.')returnright=sum((1foro,uinzip(origin,userInput)ifo==u))returnround(right/len(origin),2)5. 编写函数模拟猜数游戏。系统随机产生一个数，玩家最多可以猜5次，系统会根据玩家的猜测进行提示，玩家则可以根据系统的提示对下一次的猜测进行适当调整。fromrandomimportrandintdefguess(maxValue=100,maxTimes=5):#随机生成一个整数value=randint(1,maxValue)foriinrange(maxTimes):prompt='StarttoGUESS:'ifi==0else'Guessagain:'#使用异常处理结构，防止输入不是数字的情况try:x=int(input(prompt))except:print('Mustinputanintegerbetween1and',maxValue)else:#猜对了ifx==value:print('Congratulations!')breakelifx>value:print('Toobig')else:print('Toolittle')else:#次数用完还没猜对，游戏结束，提示正确答案print('Gameover.FAIL.')print('Thevalueis',value)6. 模拟蒙蒂霍尔悖论游戏。fromrandomimportrandrangedefinit():'''返回一个字典，键为3个门号，值为门后面的物品'''result={i:'goat'foriinrange(3)}r=randrange(3)#在某个随机的门后面放一辆汽车，其他两个门后面仍然是山羊result[r]='car'returnresultdefstartGame():#获取本次游戏中每个门的情况doors=init()#获取玩家选择的门号whileTrue:try:firstDoorNum=int(input('Chooseadoortoopen:'))assert0<=firstDoorNum<=2breakexcept:print('Doornumbermustbebetween{}and{}'.format(0,2))#主持人查看另外两个门后的物品情况#字典的keys()方法返回结果可以当作集合使用，支持使用减法计算差集fordoorindoors.keys()-{firstDoorNum}:#打开其中一个后面为山羊的门ifdoors[door]=='goat':print('"goat"behindthedoor',door)#获取第三个门号，让玩家纠结thirdDoor=(doors.keys()-{door,firstDoorNum}).pop()change=input('Switchto{}?(y/n)'.format(thirdDoor))finalDoorNum=thirdDoorifchange=='y'elsefirstDoorNumifdoors[finalDoorNum]=='goat':return'IWin!'else:return'YouWin.'whileTrue:print('='*30)print(startGame())r=input('Doyouwanttotryoncemore?(y/n)')ifr=='n':Break第6章数据处理1.请将列表数据[1,3,6,15]转化为NumPy数组。（以下代码仅供参考）>>>importnumpyasnp>>>x=np.array([1,3,6,15])>>>print(type(x))2.请基于NumPy编写一个函数，统计给定数组中包含的缺失值NaN的总数。（以下代码仅供参考）>>>importnumpyasnp>>>defnan_counter(x):...print(len(x[np.isnan(x)]))#测试>>>nan_counter(np.array([1,2,3,np.nan,7,np.nan]))3.请使用NumPy分别创建下列数组： （1）由10个5组成的一维数组； （2）由1,7,5,13组成的一维数组； （3）形状为（3,4）的二维数组，其中的数据由10至21之间的整数构成； （4）形状为（3,4）的二维数组，其中的数据由10至21之间的整数构成，再改变其中11至15数字符号为负号。（以下代码仅供参考）>>>importnumpyasnp#由10个5组成的一维数组>>>array1=np.ones(10)*5#由1,7,5,13组成的一维数组>>>array2=np.array([1,7,5,13])#形状为（3,4）的二维数组，其中的数据由10至21之间的整数构成>>>array3=np.arange(10,22).reshape((3,4))#形状为（3,4）的二维数组，其中的数据由10至21之间的整数构成，再改变其中11至15数字的符号为负号>>>array4=np.arange(10,22)>>>array4[1:6]*=-1>>>array4.resize((3,4))4.请使用NumPy计算下列两个矩阵的乘法的结果（以下代码仅供参考）>>>importnumpyasnp>>>A=np.array([[1,3],[2,4]])>>>B=np.array([[-5,3],[7,0]])>>>result=A@B5.请基于NumPy编写一个函数，统计二维数组中所有元素的和、每行元素的以及每列元素的和。（以下代码仅供参考）>>>importnumpyasnp>>>defsum_calculate(x):...array_sum=x.sum()...colunm_sum=x.sum(axis=0)...row_sum=x.sum(axis=1)...returnarray_sum,colunm_sum,row_sum#测试>>>array_sum,colunm_sum,row_sum=sum_calculate(np.array([[1,3],[8,10]]))>>>print('所有元素之和：{}\n每行元素之和：{},{}\n每列元素之和：{},{}'.format(array_sum,row_sum[0],row_sum[1],colunm_sum[0],colunm_sum[1]))6.请使用NumPy创建一个长度为7的一维数组，其中由0到5之间的任意整数填充。（以下代码仅供参考）>>>importnumpyasnp>>>a=np.random.randint(0,5,size=[7])>>>print(a)7.请使用NumPy创建一维数组[1234567891011121314]，再将其划分为[12]、[3456789]和[1011121314]三个一维数组。（以下代码仅供参考）>>>importnumpyasnp>>>a=np.arange(1,15)>>>a1,a2,a3=np.split(a,[2,9,])>>>print(a1)>>>print(a2)>>>print(a3)

第7章数据可视化1.请简述在Matplotlib中基于状态的绘图模式与面对对象的绘图模式的区别。基于状态的绘图模式直接基于pyplot的绘图方法，采用类似Matlab的绘图流程进行图例绘制。而面对对象的绘图模式首先需要创建画布（Figure）实例，并对画布中的轴域（Axes）进行实例的添加，可以更细致地控制绘图。两种方法在子图绘制以及标签等实例设置的上的函数有所区别。（此题为主观题型，答案仅供参考）2.请根据“Population2010.csv”文件中的数据绘制2010年的人口金字塔图像，并与7.3.3节中2020年的人口金字塔图像对比，分析该地十年间人口状况的变化。（以下代码仅供参考）>>>importnumpyasnp>>>importmatplotlib.pyplotasplt>>>plt.style.use('seaborn-whitegrid')>>>plt.rcParams['font.family']='SimHei'>>>plt.rcParams['axes.unicode_minus']=False>>>np.set_printoptions(suppress=True)#设置不使用科学计数法#导入数据>>>data_2010=np.loadtxt("Population2010.csv",delimiter=",",skiprows=1,usecols=(1,2))>>>male_2010=data_2010[:,0]>>>female_2010=data_2010[:,1]#数据处理>>>age=['{}至{}岁'.format(5*i,5*(i+1)-1)foriinrange(20)]>>>age.append('大于100岁')>>>sum_pop_2010=np.sum(data_2010)>>>male_2010_pct=male_2010/sum_pop_2010>>>female_2010_pct=female_2010/sum_pop_2010>>>str_male_2010_pct=','.join(str('{:.2}%').format(i*100)foriinmale_2010_pct).split(',')>>>str_female_2010_pct=','.join(str('{:.2}%').format(i*100)foriinfemale_2010_pct).split(',')#绘图>>>fig,ax=plt.subplots(figsize=(17,12))>>>fig.tight_layout()>>>bar_male=ax.barh(age,-male_2010,label='男',color='#6699FF')>>>bar_female=ax.barh(age,female_2010,label='女',color='#CC6699')>>>ax.bar_label(bar_male,labels=str_male_2010_pct,size=16,label_type='edge',padding=5)>>>ax.bar_label(bar_female,labels=str_female_2010_pct,size=16,label_type='edge',padding=5)>>>ax.legend(prop={'size':20})>>>ax.set_xticks([-60000000,-40000000,-20000000,0,20000000,40000000,60000000])>>>ax.set_xticklabels([r'$6\times10^7$',r'$4\times10^7$',r'$2\times10^7$','0',r'$6\times10^7$',r'$4\times10^7$',r'$2\times10^7$'],fontsize=16)>>>ax.set_yticklabels(age,fontsize=16)>>>ax.set_ylabel('年龄段',fontsize=16)>>>ax.set_xlabel('人数',fontsize=16)>>>ax.set_title('2010年人口金字塔',fontsize=25)>>>plt.show()（分析可从年龄结构、性别比例等描述，言之有理即可）3.请采用合适的可视化手段对7.4节中的电商数据“CustomerData.csv”分析所在城市情况、婚姻状况与消费水平的关系。（以下代码仅供参考）>>>importnumpyasnp>>>importmatplotlib.pyplotasplt>>>plt.rcParams['font.family']='SimHei'>>>plt.rcParams['axes.unicode_minus']=False#数据读取>>>city=np.loadtxt("CustomerData.csv",delimiter=",",skiprows=1,usecols=(6),dtype=np.str_,encoding='utf_8_sig')>>>marital=np.loadtxt("CustomerData.csv",delimiter=",",skiprows=1,usecols=(7),dtype=np.str_,encoding='utf_8_sig')>>>purchase=np.loadtxt("CustomerData.csv",delimiter=",",skiprows=1,usecols=(8),encoding='utf_8_sig')#函数定义>>>defgroupby(x):...x_uniques=np.unique(x)...return{xi:np.where(x==xi)forxiinx_uniques}#所在城市>>>city_label,city_data=np.unique(city,return_counts=True)>>>city_index=groupby(city)>>>city_purchase_group={key:purchase[city_index[key]].mean()forkeyincity_index.keys()}>>>city_purchase_label=[iforiincity_purchase_group.keys()]>>>city_purchase_data=[iforiincity_purchase_group.values()]#婚姻状况>>>marital_label,marital_data=np.unique(marital,return_counts=True)>>>marital_index=groupby(marital)>>>marital_purchase_group={key:purchase[marital_index[key]].mean()forkeyinmarital_index.keys()}>>>marital_purchase_label=[iforiinmarital_purchase_group.keys()]>>>marital_purchase_data=[iforiinmarital_purchase_group.values()]#绘图>>>fig,ax=plt.subplots(1,2,figsize=(16,4),dpi=300)>>>ax[0].bar(city_purchase_label,city_purchase_data,color='purple',width=0.3)>>>ax[0].set_xlabel('各城市平均消费额')>>>ax[0].set_ylabel('平均消费额（元）')>>>ax[0].set_title('城市类型',fontsize='20')>>>ax[0].grid();>>>ax[1].bar(marital_purchase_label,marital_purchase_data,color='red',width=0.3)>>>ax[1].set_xlabel('婚姻状态');>>>ax[1].set_ylabel('平均消费额（元）');>>>ax[1].set_title('婚姻状态平均消费额',fontsize='20');>>>ax[1].grid()>>>plt.show()4.请采用合适的可视化手段对7.5节中的气象数据“shanghai_weather.csv”中的风速数据进行分析。（以下代码仅供参考）>>>importnumpyasnp>>>importmatplotlib.pyplotasplt>>>fromscipy.statsimportnorm>>>plt.style.use('seaborn-whitegrid')#风格设置>>>plt.rcParams['font.family']='SimHei'>>>plt.rcParams['axes.unicode_minus']=False#读取数据>>>wind=np.loadtxt('shanghai_weather.csv',delimiter=',',skiprows=1,usecols=(6),dtype=np.str_,encoding='utf_8_sig')>>>wind_speed=np.array([i[-2:]foriinwind])>>>speed_label,speed_data=np.unique(wind_speed,return_counts=True)#绘图>>>fig,ax=plt.subplots(figsize=(16,10),dpi=300)>>>ax.bar(speed_label,speed_data)>>>ax.set_xlabel('风速等级')>>>ax.set_ylabel('天数')>>>ax.set_title('一年中各风速等级的天数',fontsize='20')>>>plt.show()

第8章科学计算1.圆周率的数值可以通过求解单位圆的定积分得到，请使用SciPy库中求解数值积分的方法得到圆周率的数值近似。（以下代码仅供参考）>>>importnumpyasnp>>>fromscipyimportintegrate>>>f=lambdax:np.sqrt(1-x**2)>>>print(2*integrate.quad(f,-1,1)[0])3.14159265358979672.请在SciPy中求解最优化的子模块中选择合适的方法，求解以下目标函数的极小点，初始点选择。（以下代码仅供参考）>>>importnumpyasnp>>>fromscipyimportoptimize>>>f=lambdax:(x[0]**2+x[1]-11)**2-(x[0]+x[1]**2-7)**2>>>x0=np.array([-3.,-1.])>>>res=optimize.minimize(f,x0,method='BFGS')>>>print(res)message:Optimizationterminatedsuccessfully.success:Truestatus:0fun:-108.8527347923513x:[-3.544e+00-7.055e-02]nit:6jac:[1.907e-069.537e-07]hess_inv:[[1.001e-023.135e-03][3.135e-032.370e-02]]nfev:24njev:83.请使用SciPy求解下列线性规划问题（以下代码仅供参考）>>>importnumpyasnp>>>fromscipyimportoptimize>>>c=np.array([-20.,-12.,-40.,-25.])>>>A_ub=np.array([[1.,1.,1.,1.],[3.,2.,1.,0],[0,1.,2.,3.]])>>>b_ub=np.array([50.,100.,90.])>>>res=optimize.linprog(c,A_ub=A_ub,b_ub=b_ub)>>>print(res)message:Optimizationterminatedsuccessfully.(HiGHSStatus7:Optimal)success:Truestatus:0fun:-1900.0x:[5.000e+000.000e+004.500e+010.000e+00]nit:4lower:residual:[5.000e+000.000e+004.500e+010.000e+00]marginals:[0.000e+001.800e+010.000e+002.500e+01]upper:residual:[infinfinfinf]marginals:[0.000e+000.000e+000.000e+000.000e+00]eqlin:residual:[]marginals:[]ineqlin:residual:[0.000e+004.000e+010.000e+00]marginals:[-2.000e+01-0.000e+00-1.000e+01]mip_node_count:0mip_dual_bound:0.0mip_gap:0.04.在8.3.2节中的气象风速数据的插值分析中，请使用erpolate中的UnivariateSpline类对累计分布函数进行插值分析，并与线性插值结果对比。（以下代码仅供参考）>>>importnumpyasnp>>>fromscipyimportinterpolate>>>importmatplotlib.pyplotasplt>>>plt.rcParams['font.sans-serif']=['SimHei']>>>plt.rcParams['axes.unicode_minus']=False#读取数据>>>wspeeds=np.load('windspeeds.npy')>>>years=21>>>max_speeds=np.array([arr.max()forarrinnp.array_split(wspeeds,years)])>>>x_data=(np.arange(years)+1)/(years+1)>>>sorted_max_speeds=np.sort(max_speeds)>>>speed_spline=interpolate.UnivariateSpline(x_data,sorted_max_speeds)#根据插值函数生成曲线>>>x_prob=np.linspace(0,1,100)>>>fitted_max_speeds=speed_spline(x_prob)#使用插值函数计算50年重现期最大风速值>>>vmax50=speed_spline(0.98)#可视化>>>plt.figure(figsize=(8,6))>>>plt.plot(sorted_max_speeds,x_data,'bo')>>>plt.plot(fitted_max_speeds,x_prob,'g--')>>>plt.text(31.6,0.5,'$V_{50}=%.2f\,m/s$'%vmax50)>>>plt.plot([vmax50,vmax50],[0,0.98],'k--')>>>plt.plot([20,vmax50],[0.98,0.98],'k--')>>>plt.plot(vmax50,0.98,'ro',markersize=8)>>>plt.xlim([20,36])>>>plt.ylim([0,1])>>>plt.xlabel('风速最大值[$m/s$]')>>>plt.ylabel('累计概率')>>>plt.grid()>>>plt.title('气象站风速累积分布函数插值分析')>>>plt.show()5.请使用绿色填充“Panda.jpg”图像中由围成的正方形区间。（以下代码仅供参考）>>>importnumpyasnp>>>importmatplotlib.pyplotasplt>>>img=plt.imread('Panda.jpg')>>>img_cover=np.array(img)>>>img_cover[100:300,100:300,:]=np.array([0,255,0])>>>plt.imshow(img_cover)6.请给“Panda.jpg”图像增加随机噪点，并分别使用均值滤波器和中值滤波器对其降噪，比较两种滤波器和高斯滤波器的降噪效果。（以下代码仅供参考）>>>importnumpyasnp>>>importmatplotlib.pyplotasplt>>>fromscipyimportndimage>>>plt.rcParams['font.sans-serif']=['SimHei']>>>plt.rcParams['axes.unicode_minus']=False>>>img=plt.imread('Panda.jpg')>>>noisy_img=np.array(img).astype(np.float64)>>>noisy_img+=img.std()*1.*np.random.standard_normal(img.shape)>>>noisy_img/=255.#均值滤波>>>uni_filtered_img=np.empty(img.shape)>>>foriinrange(3):...uni_filtered_img[...,i]=ndimage.filters.uniform_filter(noisy_img[...,i],size=20)#中值滤波>>>median_filtered_img=np.empty(img.shape)>>>foriinrange(3):...median_filtered_img[...,i]=ndimage.median_filter(noisy_img[...,i],size=20)#可视化>>>fig,ax=plt.subplots(1,3,figsize=(18,4),dpi=300)>>>ax[0].imshow(noisy_img)>>>ax[0].set_title('噪点图像')>>>ax[1].imshow(uni_filtered_img)>>>ax[1].set_title('均值滤波')>>>ax[2].imshow(median_filtered_img)>>>ax[2].set_title('中值滤波')>>>plt.show()

第9章机器学习1.请简述利用机器学习解决实际应用问题的流程。机器学习的一般流程包括确定分析目标、收集数据、整理数据、预处理数据、训练模型、评估模型、优化模型、上线部署等步骤。首先要从业务的角度分析，然后提取相关的数据进行探查，发现其中的问题，再依据各算法的特点选择合适的模型进行实验验证，评估各模型的结果，最终选择合适的模型进行应用。2.在9.2节的手写数字识别任务中，请实验正则项系数对模型性能的影响。（以下代码仅供参考）>>>importnumpyasnp>>>importmatplotlib.pyplotasplt>>>fromsklearnimportdatasets,metrics>>>fromsklearn.model_selectionimporttrain_test_split>>>fromsklearn.datasetsimportfetch_openml>>>fromsklearn.utilsimportcheck_random_state>>>fromsklearn.preprocessingimportStandardScaler>>>fromsklearn.linear_modelimportLogisticRegression#下载数据>>>X,y=fetch_openml("mnist_784",version=1,return_X_y=True,as_frame=False)#数据预处理>>>defscaler_input(data):...scaler=StandardScaler()...data=scaler.fit_transform(data)...returndata>>>X_scaler=scaler_input(X)#数据划分>>>deftrain_validation_split(X,y,train_size):...random_state=check_random_state(0)...permutation=random_state.permutation(X.shape[0])...X=X[permutation]...y=y[permutation]...X=X.reshape((X.shape[0],-1))...X_train,X_val,y_train,y_val=train_test_split(X,y,train_size=train_size)...returnX_train,X_val,y_train,y_val>>>X_train,X_val,y_train,y_val=train_validation_split(X,y,0.9)#设置正则系数>>>c_list=[0.0001,0.0005,0.001,0.005,0.01,0.05]#训练>>>model_list=[]>>>foriinc_list:...model=LogisticRegression(C=i,penalty="l1",solver="saga",max_iter=500)...model.fit(X_train,y_train)...model_list.append(model)#输出结果>>>foriinrange(len(c_list)):...score=model_list[i].score(X_val,y_val)...print('当L1惩罚系数为{}时的验证集分数为：{:.4f}'.format(c_list[i],score))3.在9.3节的交通车流量预测任务中，还可使用其他回归算法进行预测。请设计基于支持向量机回归（sklearn.svm.SVR）的模型并实验核函数在支持向量机中对结果的影响。（以下代码仅供参考）>>>importnumpyasnp>>>importpandasaspd>>>importmatplotlib.pyplotasplt>>>fromsklearnimportsvm>>>fromsklearnimportmetrics>>>fromsklearn.preprocessingimportMinMaxScaler>>>df=pd.read_csv('Traffic_flow.csv',encoding='gb2312')>>>data=np.array(df)>>>defbuild_train_model():#保存模型的字典...models={}...forkernelin('linear','poly-3','poly-5','rbf','laplacian'):...if'poly'inkernel:...clf=svm.SVR(kernel='poly',gamma=2,degree=int(kernel[-1]))...else:...clf=svm.SVR(kernel=kernel,gamma=2)...clf.fit(X_train,y_train)...models[kernel]=clf...returnmodels>>>defmaek_predict(models,data):...result={}...forname,modelinmodels.items():...result[name]=model.predict(data)...returnresult>>>defmodels_score(label,predicts):...models_score={}>>>defcalculate_score(label,predicted):...score={}...score['r2']=metrics.r2_score(label,predicted)...score['mae']=metrics.mean_absolute_error(label,predicted)...score['mse']=metrics.mean_squared_error(label,predicted)...score['max']=metrics.max_error(label,predicted)...returnscore>>>forname,predictinpredicts.items():...models_score[name]=calculate_score(label,predict)...returnmodels_score>>>models=build_train_model()>>>result=maek_predict(models,X_val)>>>models_score=models_score(y_val,result)4.在9.4节的推荐系统中还有哪些特征可用于混合推荐系统？请根据设计基于这些特征的混合推荐系统并观察性能。数据集中共23项特征，可尝试选择合适的特征（如人气、语言、关键字等）进行推荐系统的设计，此处供读者自行设计验证。

第10章深度学习1.在第10.1.2节中所设计的卷积神经网络存在一定过拟合现象。请对数据集和网络模型进行进一步改进，以提升网络在验证数据集上的准确率。可以尝试在网络层中添加正则化（权重衰减）,使用dropout技术，或对数据实行数据增强等增加模型的泛化能力，读者可自行尝试。2.在第10.2中的数据预处理使用了所有的文字作为训练数据，为节省内存开销，可在构建独热编码前将低频出现的词语去除。请实验去除文字比例和训练结果的关系。可以改造读取和处理数据的load_preprocess函数，增加一个参数pct，其值为0至1之间的浮点数，来控制要选取出现频率前百分之多少的词语，再进行模型的训练与验证，更改后的数据读取和预处理函数如下（以下代码仅供参考）：>>>defload_and_preprocess(poem_path,end_char,pct=1.):...poems=[line.strip().replace('','').split(':')[1]forlineinopen(poem_path,encoding='utf-8')]...poem_list=[]#加上结束符号...forpoeminpoems:...iflen(poem)<=5:...continue...ifpoem[5]=="，":...poem_list.append(poem+end_char)#数据集中的字符...character_list=[]...forpoeminpoem_list:...character_list+=[characterforcharacterinpoem]#排序，以防止每次ID不同...charact_dst={}...forcharincharacter_list:...charact_dst[char]=charact_dst.get(char,0)+1...char_pairs=sorted(charact_dst.items(),key=lambdax:x[1],reverse=True)...char_paris=char_pairs[:int(len(char_pairs)*pct)]...chars,counts=zip(*char_pairs)...char2num_dict={char:numfornum,charinenumerate(chars)}...num2char_dict={num:charfornum,charinenumerate(chars)}...char2num_func=lambdachar:char2num_dict.get(char,'')...poem_item=np.array([list(map(char2num_func,poem))forpoeminpoem_list],dtype=object)...returnpoem_item,char2num_dict,num2char_dict3.请根据10.2节中设计的诗歌生成器，设计预测函数，使其能够根据给定字符生成藏头诗。将案例中的pred函数进行修改，新增加一个txt参数，接受长度为4的字符串，作为藏头诗每句的开头，修改后代码如下（以下代码仅供参考）：>>>defpredict_head(model,txt,input_data,char2num_dict,num2char_dict,unit_sentence):...txt_id=[]...foriintxt:...txt_id.append(char2num_dict[i])...char_size=len(char2num_dict)#随机取一首诗的开头6个字符，进行后面的预测...index=np.random.randint(0,len(input_data))...sentence=np.append(txt_id[0],input_data[index][1:unit_sentence])...def_pred(text):...temp=text[-unit_sentence:]...x_pred=np.zeros((1,unit_sentence,char_size))...fort,indexinenumerate(temp):...x_pred[0,t,index]=1...preds=model.predict(x_pred)[0]...choice_id=np.random.choice(range(len(preds)),1,p=preds)...ifnum2char_dict[choice_id[0]]=='':...whilenum2char_dict[choice_id[0]]in['，','。','']:...choice_id=np.random.randint(0,len(char2num_dict),1)...returnchoice_id...txt_index=1...foriinrange(24-unit_sentence):...pred=_pred(sentence)...ifiin[0,6,12]:...pred=txt_id[txt_index]...txt_index+=1...sentence=np.append(sentence,pred)...output=""...foriinrange(len(sentence)):...output=output+num2char_dict[sentence[i]]...print(output)随后加载模型进行测试>>>importos>>>importmatplotlib.pyplotasplt>>>importnumpyasnp>>>importtensorflowastf>>>fromtensorflow.keras.callbacksimportModelCheckpoint,TensorBoard,CSVLogger>>>fromtensorflow.keras.layersimportInput,LSTM,Dense,Dropout>>>fromtensorflow.keras.modelsimportModel>>>fromtensorflow.keras.optimizersimportAdam>>>defload_and_preprocess(poem_path,end_char):...poems=[line.strip().replace('','').split(':')[1]forlineinopen(poem_path,encoding='utf-8')]...poem_list=[]#加上结束符号...forpoeminpoems:...iflen(poem)<=5:...continue...ifpoem[5]=="，":...poem_list.app