python数据挖掘 | 期末题
2024-05-21 21:05:56
一、解答题(大题目)
1.已知data目录下由xls文件electricity_data.xls，其内容如下图：
试在data并列的目录code中写出Python代码，计算出线损率，并对数据进行编号，并将结果写入到并列tmp目录下的electricity_data.xls中，使其内容如下图：
import numpy as np
import pandas as pd
dd = pd.read_excel("C:/v.xlsx")
dd.insert(0,"序号",range(1,6),allow_duplicates=True)
#print(dd)
gr=dd["供入电量"]
gc=dd["供出电量"]
#sxl=[]
#for i in range(4):
# sxl.append(round(((gr[i]-gc[i])/gr[i]),6))dd["线损率"]=(gr-gc)/gr序号 供入电量 供出电量 线损率
0 1 986 912 0.075051
1 2 1208 1083 0.103477
2 3 1108 975 0.120036
3 4 1082 934 0.136784
4 5 1285 1102 0.142412
2.n_components
PCA算法
总结一下PCA的算法步骤：
设有m条n维数据
1）将原始数据按列组成n行m列矩阵X
2）将X的每一行（代表一个属性字段）进行零均值化，即减去这一行的均值
3）求出协方差矩阵
4）求出协方差矩阵的特征值及对应的特征向量
5）将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P
6）即为降维到k维后的数据
3.已知银行用户的信用相关信息，如下图：
请用逻辑回归模型方法
(1)预测用户是否违约
(2)算出模型的平均正确率
4.写代码：
（1）创建helloworld.pdf文件；
（2）在文件中写入文字内容“Hellow,World”；
（3）在文件中画出一个圆圈。
from reportlab. pdfgen import canvas
def hello():c=canvas.Canvas("helloworld.pdf")c.drawString(100,100,"Hello,World")c.circle(50,10,30,stroke=1,fil1=0)c.showPage()c.save()
he11o()
5.写代码
（1）生成为平面上的随机点列；
（2）写出空间或者平面上两点间的距离计算函数；(以前作业；以后选作+20分)
（3）写出基于距离的聚类函数，实现平面或空间中点的聚类；
（4）对于平面上点的聚类，构造gif图像文件动态记录聚类的处理过程。
import numpy as np
import pylab as pl
import random as rd
import imageio
import math
#1
#生成随机点列
x = np.random.randn(50)
y= np.random.randn(50)
#聚类个数
k_Cluster = 4
#迭代
iteration=0
frames = []
#2
#计算平面两点的欧氏距离
def distance(a, b):return math.sqrt((a[0]- b[0]) ** 2 + (a[1] - b[1]) ** 2)
#3
#K均值算法
def k_means(x, y, k_Cluster):#k_count为要聚类的个数,首先从n个数据对象任意选择 k 个对象作为初始聚类中心；dot_count = len(x) #点的个数#随机选择K个点k = rd.sample(range(dot_count), k_Cluster) #K个对象作为初始的聚类中心k_Initial = [[x[i], [y[i]]] for i in k] #保证有序(X,Y)k_Initial.sort() global framesglobal iteration while True:#根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分； Cluster_index = [[] for i in range(k_Cluster)] #存储每个簇的索引 #遍历所有点 for i in range(dot_count):dot_all = [x[i], y[i]] #当前点 #计算dot_all点到所有质心的距离Center_dt = [distance(k_Initial[j], dot_all) for j in range(k_Cluster)]#dot_all点到那个质心最近min_index = Center_dt.index(min(Center_dt)) #把dot_all点并入第i簇Cluster_index[min_index].append(i)#更换聚类中心iteration+=1k_new = []for i in range(k_Cluster):_x = sum([x[j] for j in Cluster_index[i]]) / len(Cluster_index[i])_y = sum([y[j] for j in Cluster_index[i]]) / len(Cluster_index[i]) k_new.append([_x, _y]) #新的k个聚类对象 k_new.sort() #排序、保证有序#使用Matplotlab画图 pl.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签pl.rcParams['axes.unicode_minus']=False #用来正常显示负号pl.figure() #画布pl.title("点的个数=%d,聚类个数=%d 迭代次数:%d"%(dot_count,k_Cluster,iteration)) # 标题 color=['.r','.g','.b','.y']#颜色种类dcolor=['*r','*g','*b','*y']#颜色种类for j in range(k_Cluster):pl.plot([x[i] for i in Cluster_index[j]], [y[i] for i in Cluster_index[j]], color[j%4])pl.plot(k_Initial[j][0], k_Initial[j][1], dcolor[j%4])pl.savefig("1.jpg") frames.append(imageio.imread('1.jpg'))if (k_new != k_Initial):#一直循环直到聚类中心没有变化k_Initial = k_newelse:return Cluster_indexCluster_index = k_means(x, y, k_Cluster)#调用
imageio.mimsave('D:\\k-means.gif', frames, 'GIF', duration = 0.5)#生成gif动图
6.写代码
（1）生成为平面上的随机点列；
（2）写出空间或者平面上两点间的距离计算函数；
（3）写出基于距离的聚类函数，实现平面或空间中点的聚类；
（4）对于平面上点的聚类，构造gif图像文件动态记录聚类的处理过程。
7.写代码生成旋转的圆圈图标。
8.已知学生成绩表如下：
请用python代码完成学生成绩分析报告。
要求成绩得报告形式为
要求：
(1)各单科的平均成绩
(2)综合（班）平均成绩
(3)总平均成绩分布的直方图（根据一般要求，分组数为0,60,70,80,90,100）
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt #导入作图库
stu=pd.read_excel("C:/a.xlsx")#读取数据col_max=stu.iloc[:,2:].max()#求每一列的最大值
col_mean=stu.iloc[:,2:].mean()#求每一列的平均值
col_max['姓名']='最大值'#添加最大值
col_mean["姓名"]="单科平均"#添加单科平均
stu=stu.append(col_max,ignore_index=True)#将每列最大值添加在末尾行
stu=stu.append(col_mean,ignore_index=True)#将每列平均值添加在末尾行s=stu.iloc[:3,2:]#取分数区域
#print(s)
#input()
stu["平均"]=s.mean(axis=1)#求每一行的平均
stu["总分"]=s.sum(axis=1)#每一行加总stu.iloc[:3,2:]=stu.iloc[:3,2:].astype(int)#对分数列、平均、总分进行取整
stu.iloc[3:,2:8]=stu.iloc[3:,2:8].astype(int)#对最大值，总平均取整
print(stu)#结果
# 学号 姓名 语文 数学 外语 政治 历史 地理 平均 总分
#0 2.016129e+09 张三 81.0 43.0 49.0 46.0 57.0 72.0 58.0 348.0
#1 2.016129e+09 李四 76.0 86.0 19.0 52.0 56.0 32.0 53.0 321.0
#2 2.016129e+09 王五 94.0 56.0 77.0 87.0 46.0 87.0 74.0 447.0
#3 NaN 最大值 94.0 86.0 77.0 87.0 57.0 87.0 NaN NaN
#4 NaN 单科平均 83.0 61.0 48.0 61.0 53.0 63.0 NaN NaN
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号
plt.hist(stu.iloc[:3,9:10].T)
#plt.xlim(0,100)
plt.ylabel('各科总成绩') #坐标轴标签plt.show()
9.已知逻辑回归模型的预测处理代码如下：
x0=[41,3,16,13,176.00,9.30,11.36,5.01]#原始要预测的数据
a=np.array(x0).reshape(1,8) #变为1行8列矩阵数据
a=pd.DataFrame(a,columns=range(8)) #变为DataFrame数据
a=a.columns[rlr.get_support()] #DataFrame中选择列
b=map(lambda x:x0[x],a) #实现数据筛选
x=list(b)
x=lr.predict([np.array(x)])#上面二行合并报告错误！predict的参数为二维数组
print(x[0])
用for循环语句改写这里的代码，实现相同的功能。
10.在LinearRegression.txt中有数据：
X Y
1 4
2 5
3 7
4 9
5 12
6 13
7 14
使用sklearn.linear_model 中的LinearRegression
(1)计算出回归系数；
(2)画出散点图和线性回归直线。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegressiondf = pd.read_excel("D:/1.xlsx")
#通过pandas读取为DataFrame，回归用的是矩阵数据而不是列表，数据为n个样品点和m个特征值，这里特征值只有一个因此换证nx1的矩阵
X = np.array([df.loc[:, 'X'].as_matrix(columns=None)]).T
Y = np.array([df.loc[:, 'Y'].as_matrix(columns=None)]).T
model = LinearRegression()#简历模型
model.fit(X,Y)#训练模型
a,b = model.coef_, model.intercept_#得到系数和解决
print("线性模型为：Y=%.2fX+%.2f"%(a,b))#画图
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
plt.scatter(X, Y, color='black')
#用predic预测，这里预测输入x对应的值，进行画线
plt.plot(X, model.predict(X), color='red', linewidth=1)
plt.xlabel("X")
plt.ylabel("Y")
plt.title("一元线性回归")
plt.show()********************************************************************************************
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
import numpy as np
#数据为两列数据x和y，有表头
df = pd.read_table('LinearRegression.txt')
#通过pandas读取为DataFrame，回归用的是矩阵数据而不是列表，
#数据为n个样品点和m个特征值，这里特征值只有一个因此换nx1的矩阵
dataSet_x = np.array(df.loc[:, 'X'])
#T为矩阵转置把1xn变成nx1
dataSet_x = np.array([dataSet_x]).T
dataSet_y = np.array(df.loc[:, 'Y'])
dataSet_y = np.array([dataSet_y]).T
#regr为回归过程，fit(x,y)进行回归
regr = LinearRegression().fit(dataSet_x, dataSet_y)
#输出R的平方
print(regr.score(dataSet_x, dataSet_y))
plt.scatter(dataSet_x, dataSet_y, color='black')#散点图
#用predic预测，这里预测输入x对应的值，进行画线
plt.plot(dataSet_x, regr.predict(dataSet_x), color='red', linewidth=1)
plt.show()
11.中保存了餐饮数据，写代码完成：
(1)请写一个函数mySort,完成餐饮数据基于任意列的排序；
(2)调用mySort,完成基于百合酱蒸凤爪的从小到大的排序。
from __future__ import print_function
import pandas as pd
import numpy as np
def mySort(data,ColumnName=None): #必须放在调用者前if ColumnName==None:print("ColumnName can not be empty!")return Nonedata1=data[ColumnName]data1=data1.unique()data1=np.sort(data1)data2=data[data[ColumnName].isnull()]for i in range(len(data1)):x=data[data[ColumnName]==data1[i]]data2=data2.append(x)return data2
catering_sale = '../data/catering_sale_all.xls' #餐饮数据，含有其他属性
data = pd.read_excel(catering_sale, index_col = u'日期') #读取数据，指定“日期”列为索引列
data=mySort(data,ColumnName=u'百合酱蒸凤爪')
print(data)
12.catering_sale_all.xls中保存了餐饮数据，如下图：
写代码完成：
（1）对每天的销售额进行汇总，添加“合计”
（2）对各类菜品的销售额汇总，获得月销售额，在最后一行后添加各类菜品的总计，并将处理有的文件写入catering_sale.xls
（3）输出当期总销售额。
#餐饮销量数据相关性分析
from __future__ import print_function
import pandas as pd
import numpy as np
catering_sale = '../data/catering_sale_all.xls' #餐饮数据，含有其他属性
out_sale="catering_sale.xls"
data = pd.read_excel(catering_sale) #读取数据，指定“日期”列为索引列
data[u"合计"]=data.sum(axis=1)
data2=data.sum(axis=0)
data=data.append(data2,ignore_index=True)
data.iloc[len(data)-1,0]="总计"
data.to_excel(out_sale,index=None)
print(data.loc[len(data)-1,"合计"])
13.写函数findSeat,求处矩阵中第一个最大元素的位置。
def findSeat(X):for i in range(int(X.size/len(X))):for j in range(int(X.size/len(X))):if(X[i,j]==X.max()):print(i,j)
a= np.array([[5,0,1], [4,0,-2], [0,8,199]])
14.写函数findSeat,求DataFrame表中第一个最大元素的位置。
def findSeat(X):for i in range(int(X.size/len(X))):for j in range(int(X.size/len(X))):if(X[i,j]==X.max()):return i,j
a= np.array([[5,0,1], [4,0,-2], [0,8,199]])
print(findSeat(a))
15.（1）写函数myFindSeat查找一个DataFrame类型的表中最值元素所在的行和列序数；
（2）写出测试语句测试（1）的正确性。
import pandas as pd
import numpy as np
def myFindSeat(data):coln=data.shape[1]rown=data.shape[0] data=np.array(data) data2=pd.DataFrame(data[0])for i in range(1,coln+1):data2=data2.append(pd.DataFrame(data[i])) data=pd.Series(np.array(list(data2[0])))data=pd.DataFrame(data)print(data)colIndex=int(int(data[0].idxman())/rown)rowIndex=int(data[0].idxman())%rownreturn rowIndex,colIndexa=np.array([[6,2,3],[2,3,5],[3,2,6],[4,2,1]])
b=pd.DataFrame(a)
print(b)
r,c=myFindSeat(b)
print(a)
print("行序数:%d 列序数%d"%(r,c))
import pandas as pd
import numpy as np
def myFindSeat(data):coln=data.shape[1] data=np.array(data) data2=pd.DataFrame(data[0])for i in range(1,coln+1):data2=data2.append(pd.DataFrame(data[i])) data=pd.Series(np.array(list(data2[0])))data=pd.DataFrame(data)print(data)rowIndex=int(int(data[0].idxmax())/coln)colIndex=int(data[0].idxmax())%colnreturn rowIndex,colIndexa=np.array([[6,2,1],[2,1,7],[3,1,6],[4,2,1]])
b=pd.DataFrame(a)
print(b)
r,c=myFindSeat(b)
print(a)
print("最大值的行序数:%d 列序数%d"%(r,c))
使用axis参数，改写上面程序import pandas as pd
import numpy as np
def myFindSeat(data):
coln=data.shape[1]
rown=data.shape[0]
data=np.array(data)
data2=pd.DataFrame(data[0])
for i in range(1,coln+1):
data2=data2.append(pd.DataFrame(data[i]))
data=pd.Series(np.array(list(data2[0])))
data=pd.DataFrame(data)
print(data)
colIndex=int(int(data[0].idxman())/rown)
rowIndex=int(data[0].idxman())%rown
return rowIndex,colIndexa=np.array([[6,2,3],[2,3,5],[3,2,6],[4,2,1]])
b=pd.DataFrame(a)
print(b)
r,c=myFindSeat(b)
print(a)
print("行序数:%d 列序数%d"%(r,c))
18.已知某个食店的菜品销售数据如下
设最大支持度是0.2,用apriori关联规则算法推导最大频繁项集。
19.d为DataFrame类型的表格数据，
（1）写程序计算其各个行的和，并在其后面添加一列，新列名为’s’；
（2）写程序计算d的各个列的和，并将结果记录到d的最后一行；
（3）将d的行序数改为1~n,其中n是数据的行数。
import numpy as np
import pandas as pd
d=pd.DataFrame({'a':[1,2,3],'b':[3,4,5],'c':[2,4,5]})#(1)
d2=d.sum(axis=1)
r=pd.concat([d,pd.Series(d2,index=d.index)],axis=1)
r.columns=list(d.columns)+['s']
#d[“s”]=d.sum(axis=1)#(2)
d2=r.sum()
d=r.append(pd.DataFrame(list(d2),r.columns).T)
#(3)
d.index=range(1,len(d)+1)
print(d)
20.d为DataFrame类型的表格数据，
（1）写程序求其各个行的最小值，并在其后面添加一列，新列名为’m’；
（2）写程序求d的各个列的最小值，并将结果记录到d的最后一行；
（3）将d的值按m列的值由大到小排序。
import numpy as np
import pandas as pd
d=pd.DataFrame({'a':[1,2,3],'b':[3,4,5],'c':[2,4,5]})
#(1)
d2=d.min(axis=1)
r=pd.concat([d,pd.Series(d2,index=d.index)],axis=1)
r.columns=list(d.columns)+['m']
#(2)
d2=r.min()
d=r.append(pd.DataFrame(list(d2),r.columns).T)
#(3)
d.index=range(1,len(d)+1)
print(d)import numpy as np
import pandas as pd
d=pd.DataFrame({'a':[1,2,3],'b':[3,4,5],'c':[2,1,5]})d["m"]=d.min(1)d.append(pd.DataFrame(list(d.min())),ignore_index=True)
21.已知学生的考试成绩记录，形如下图:
写代码形成各个等级学生的人数，形如下图：
import pandas as pd
data=pd.read_excel("scores.xls")
oldColumns=list(data.columns)
headnames=list(data.columns)
Indexname=headnames[0:2]
del(headnames[0:2])
newColumns=headnames
del(headnames[len(headnames)-1])
data_zs=data[headnames]
subject=list(headnames)
import matplotlib.pyplot as plt
scounts=[]
scount=[]
outData=pd.DataFrame()
for sj in subject:scount=[]tmp=data_zs[sj]tmp2=tmp[tmp<60]count=len(tmp2)scount =[count] for k in range(6,10): tmp2=tmp[tmp>=k*10]tmp2=tmp2[tmp2<(k+1)*10]count=len(tmp2)scount +=[count] #print(scount)scounts+=[scount]outData=pd.concat([outData,pd.Series(scount)],axis=1)
outData.index= ['0--59','60--69','70--79','80--89','90-100']
outData.columns=subject
outData.to_excel("countData.xls")
22.已知学生的考试成绩记录，形如下图:
写代码形成各个等级学生人数的占比，形如下图：
import pandas as pd
data=pd.read_excel("scores.xls")
oldColumns=list(data.columns)
headnames=list(data.columns)
Indexname=headnames[0:2]
del(headnames[0:2])
newColumns=headnames
del(headnames[len(headnames)-1])
data_zs=data[headnames]
meanScores=data_zs.mean()
data_zs=data_zs.append(meanScores,ignore_index=True)
total=pd.Series(data_zs.sum(axis=1))
data_zs=pd.concat([data[Indexname],data_zs,total],axis=1)
data_zs.columns=oldColumns
count=len(data_zs)
data_zs['姓名'][count-1]='单科平均' #data_zs.iloc[count-1,1]='单科平均' 可以去掉警告
data_zs.to_excel("newScores.xls",index = False)
#（2）
import matplotlib.pyplot as plt
count=len(data_zs)
colCount=len(newColumns)
dataview=data_zs[newColumns+['总成绩']]
sizes=dataview.iloc[count-1,:colCount]/dataview.iloc[count-1,colCount]
sizes=100*sizes
plt.pie(sizes,labels=newColumns,autopct='%1.1f%%')
plt.rcParams['font.sans-serif']=['SimHei']
plt.axis('equal')
plt.show()
23.已知学生成绩表如下：
请用python代码完成学生成绩分析报告。
要求成绩得报告形式为
要求：
(1)各单科的平均成绩
(2)总成绩中各个学科的贡献率饼图，如下:
#这里贡献率能指的是特征值把
import pandas as pd
data=pd.read_excel("scores.xls")
oldColumns=list(data.columns)
headnames=list(data.columns)
Indexname=headnames[0:2]
del(headnames[0:2])
newColumns=headnames
del(headnames[len(headnames)-1])
data_zs=data[headnames]
meanScores=data_zs.mean()
data_zs=data_zs.append(meanScores,ignore_index=True)
total=pd.Series(data_zs.sum(axis=1))
data_zs=pd.concat([data[Indexname],data_zs,total],axis=1)
data_zs.columns=oldColumns
count=len(data_zs)
data_zs['姓名'][count-1]='单科平均' #data_zs.iloc[count-1,1]='单科平均' 可以去掉警告
data_zs.to_excel("newScores.xls",index = False)
#（2）
import matplotlib.pyplot as plt
count=len(data_zs)
colCount=len(newColumns)
dataview=data_zs[newColumns+['总成绩']]
sizes=dataview.iloc[count-1,:colCount]/dataview.iloc[count-1,colCount]
sizes=100*sizes
plt.pie(sizes,labels=newColumns,autopct='%1.1f%%')
plt.rcParams['font.sans-serif']=['SimHei']
plt.axis('equal')
plt.show()
24.已知某个食店的菜品销售数据如下
设最大支持度是0.3,用apriori关联规则算法推导最大频繁项集。
25.已知某个食店的菜品销售数据如下
设最大支持度是0.3,用apriori关联规则算法推导最大频繁项集。
26.写出两点间的距离的计算函数（要求适应二维和三维空间）
import numpy as np
def distance(a,b):x=np.array(a)y=np.array(b)d1=np.sqrt(np.sum(np.square(x-y)))return d1
x=[1,2,3]
y=[4,5,6]
print("两点之间的距离为：%f"%(distance(x,y)))
写代码实现
（1）myInput函数完成百分制成绩输入功能；
（2）changeScore函数完成百分制成绩转换为等级制成绩；
（3）循环调用函数(1)(2)直到输入q或Q结束输入和转换工作。
def myInput():a=int(input("输入一个百分制成绩："))if a.isdigit==True:return a
def changeScore(x):#while(Ture)if(x>=60):if(x<90):print("还好，成绩良好！")else:print("恭喜你，你的成绩为优秀！")else:print("你的成绩不合格！")while(True):i=1if(i<5):changeScore(myInput())else:breaki=i+1def myInput():s=input()if s=="q":return False if s=="Q":return False while not s.replace(".","",1).isdigit():print(s+" is not a number")s=input()if(s=="q"):return False; s=eval(s) #s=int(s) s=float(s)return s
def changeScore(s):if 90<=s<=100:return("A")elif 80<=s<90:return("B")elif 60<=s<80:return("C")elif 0<=s<60:return("D")else:return("数字范围错误！")
while True: s=myInput()if s==False:break print(changeScore(s))
28.写代码实现加法口诀表的输出
for i in range(1,10):#print(i)for j in range(1,i+1):print("%d+%d=%2d"%(j,i,j+i),end=' ')print()1+1= 2
1+2= 3 2+2= 4
1+3= 4 2+3= 5 3+3= 6
1+4= 5 2+4= 6 3+4= 7 4+4= 8
1+5= 6 2+5= 7 3+5= 8 4+5= 9 5+5=10
1+6= 7 2+6= 8 3+6= 9 4+6=10 5+6=11 6+6=12
1+7= 8 2+7= 9 3+7=10 4+7=11 5+7=12 6+7=13 7+7=14
1+8= 9 2+8=10 3+8=11 4+8=12 5+8=13 6+8=14 7+8=15 8+8=16
1+9=10 2+9=11 3+9=12 4+9=13 5+9=14 6+9=15 7+9=16 8+9=17 9+9=18
for i in range(1,10):#print(i)for j in range(1,i+1):print("%d*%d=%2d"%(j,i,j*i),end=' ')print()1*1= 1
1*2= 2 2*2= 4
1*3= 3 2*3= 6 3*3= 9
1*4= 4 2*4= 8 3*4=12 4*4=16
1*5= 5 2*5=10 3*5=15 4*5=20 5*5=25
1*6= 6 2*6=12 3*6=18 4*6=24 5*6=30 6*6=36
1*7= 7 2*7=14 3*7=21 4*7=28 5*7=35 6*7=42 7*7=49
1*8= 8 2*8=16 3*8=24 4*8=32 5*8=40 6*8=48 7*8=56 8*8=64
1*9= 9 2*9=18 3*9=27 4*9=36 5*9=45 6*9=54 7*9=63 8*9=72 9*9=81for i in range(1,10):#print(i)for j in range(1,10):print("%d*%d=%2d"%(j,i,j*i),end=' ')print()1*1= 1 2*1= 2 3*1= 3 4*1= 4 5*1= 5 6*1= 6 7*1= 7 8*1= 8 9*1= 9
1*2= 2 2*2= 4 3*2= 6 4*2= 8 5*2=10 6*2=12 7*2=14 8*2=16 9*2=18
1*3= 3 2*3= 6 3*3= 9 4*3=12 5*3=15 6*3=18 7*3=21 8*3=24 9*3=27
1*4= 4 2*4= 8 3*4=12 4*4=16 5*4=20 6*4=24 7*4=28 8*4=32 9*4=36
1*5= 5 2*5=10 3*5=15 4*5=20 5*5=25 6*5=30 7*5=35 8*5=40 9*5=45
1*6= 6 2*6=12 3*6=18 4*6=24 5*6=30 6*6=36 7*6=42 8*6=48 9*6=54
1*7= 7 2*7=14 3*7=21 4*7=28 5*7=35 6*7=42 7*7=49 8*7=56 9*7=63
1*8= 8 2*8=16 3*8=24 4*8=32 5*8=40 6*8=48 7*8=56 8*8=64 9*8=72
1*9= 9 2*9=18 3*9=27 4*9=36 5*9=45 6*9=54 7*9=63 8*9=72 9*9=81for i in range(1,10):#print(i)for j in range(i,10):print("%d*%d=%2d"%(j,i,j*i),end=' ')print()1*1= 1 2*1= 2 3*1= 3 4*1= 4 5*1= 5 6*1= 6 7*1= 7 8*1= 8 9*1= 9
2*2= 4 3*2= 6 4*2= 8 5*2=10 6*2=12 7*2=14 8*2=16 9*2=18
3*3= 9 4*3=12 5*3=15 6*3=18 7*3=21 8*3=24 9*3=27
4*4=16 5*4=20 6*4=24 7*4=28 8*4=32 9*4=36
5*5=25 6*5=30 7*5=35 8*5=40 9*5=45
6*6=36 7*6=42 8*6=48 9*6=54
7*7=49 8*7=56 9*7=63
8*8=64 9*8=72
9*9=81for i in range(1,10):#print(i)for k in range(1,i):print(end=' ')for j in range(i,10):print("%d*%d=%2d"%(i,j,i*j),end=" ")print(" ")1*1= 1 1*2= 2 1*3= 3 1*4= 4 1*5= 5 1*6= 6 1*7= 7 1*8= 8 1*9= 9 2*2= 4 2*3= 6 2*4= 8 2*5=10 2*6=12 2*7=14 2*8=16 2*9=18 3*3= 9 3*4=12 3*5=15 3*6=18 3*7=21 3*8=24 3*9=27 4*4=16 4*5=20 4*6=24 4*7=28 4*8=32 4*9=36 5*5=25 5*6=30 5*7=35 5*8=40 5*9=45 6*6=36 6*7=42 6*8=48 6*9=54 7*7=49 7*8=56 7*9=63 8*8=64 8*9=72 9*9=81
生成pdf文件，并写入文本内容
python数据挖掘 | 期末题相关推荐
- 南京工业大学python考试期末题库_大学慕课用Python玩转数据期末考试查题公众号答案...
大学慕课用Python玩转数据期末考试查题公众号答案 更多相关问题 雪松的树形为 (5.0分) - Do you think I can borrow your bike for a few hour ...
- 南京工业大学python考试期末题库_大学慕课2020用Python玩转数据期末考试大全答案...
[填空题] 标准水准点的位置一般由()提供. [填空题] 支护工程的().土钉施工应按规定进行抗拔力试验. [填空题] 钢筋产品()由钢筋生产厂质量检验部门提供. [填空题] 给水全程控制包括给水() ...
- python数据挖掘方法及应用 大学期末考_中国大学慕课mooc数据挖掘与python实践期末答案...
中国大学慕课mooc数据挖掘与python实践期末答案 2020-09-15 14:34:51 来源 : 热度 : 0 责任编辑 : 中国大学慕课mooc数据挖掘与python实践期末答案 更多相关[ ...
- python123期末测验答案程序题_python期末题库(2)带答案
python 期末题库( 2 ) 1. 编写程序,用户输入一个三位以上的整数,输出其百位以上的数字.例如用 户输入 1234 ,则程序输出 12 (提示:使用整除运算) . num=int(input ...
- Python编程大题
Python编程大题 文章目录 Python编程大题 前言 一.语法基础 二.函数 三.面向对象编程 四.序列类型.集合和字典 五.文件操作与异常 六.数据库操作 七. 数据可视化 总结 前言 Pyt ...
- python期末试卷 答案_《python》期末考试卷A及答案
北京邮电大学 2016 -- 2017 学年第一学期 < Python >期末考试试题 B 一. 问答题 (每题 2 分,共 20 分) 1 . Python 语言的数值类型有哪些? 2 ...
- python 数据挖掘 上海 培训到深度学习
张文彤老师Python统计分析系列,从统计模型到深度学习全线贯通,基于统计学和数据分析需求出发,讲解如何基于Python完成数据获取.数据管理.数据挖掘等工作. 课程包含 Part1: 玩转Panda ...
- JavaWeb期末题库
JavaWeb期末题库 提示:如果您需要更多题库和编程知识,请微信搜索:口袋Code,获取更多得题库,包含C,C++,C#,java,python,javaweb,Go语言,安卓,前端,蓝桥杯,计算机 ...
- 数据挖掘 期末超重点习题含答案（必考）
数据挖掘 期末超重点习题含答案(必考) 一. 单选题 1. 某超市研究销售纪录数据后发现,买啤酒的人很大概率也会购买尿布,这种属于数据挖掘的哪类问题?(A) A. 关联规则发现 ...
最新文章
- 基于小型GIS的配电设备运行监控系统
- .jQuery文档分析4-文档处理
- 国内三款主流海淘产品APP竞品分析
- 《gcc五分钟系列》第六节：编译期符号检查
- Docker---Run命令
- ddl dml dcl
- Chapter4-2_Speech_Synthesis(More than Tacotron)
- ubuntu安装可加速播放打视频播放器vlc
- 13章 购买服务器和域名绑定
- R语言题目及参考答案（3）
- 自学了三个月的软件测试，从小白到自动化测试工程师，我是如何从零拿到大厂offer的
- HDU2010 水仙花数【进制+入门】
- layui让当前页面刷新_layui点击按钮页面会自动刷新的解决方案
- linux内核简介和进程管理
- avast高级版许可文件_明道云私有部署版已上架腾讯云镜像市场
- 国外14部经典励志电影推荐
- IDEA 在hdfs中创建目录
- 51cto学院mysql_Mysql -1_ Python系列视频（一）——Python语言基础_Python视频-51CTO学院...
- 数字IC设计入门（3）初识电路图
- 如何查询linux的系统版本
热门文章
- 企业wms系统安装在云服务器,wms 云服务器 还是本地
- 计算机六级考什么科目,四六级考试科目及考试内容
- hp打印机一直显示正在打印中_HP打印机提示文档正在打印但就是打印不了
- android 蓝牙传输到苹果手机,使用蓝牙文件交换将文件从Android传输到Mac | MOS86
- 中国制造2025与工业以太网
- 计算机组装大赛主题,DIY装机大赛策划书
- 基于spring+springmvc+mybatis的个人简易记账系统（包含数据库）
- javascript 代码中的use strict是什么意思
- 哪款mac写python_新款Mac Pro有几个圈圈？写几行Python数一下
- python红楼梦人物统计_基于共现使用Python来分析《红楼梦》中贾宝玉与金陵十二钗的关系...