Python開發(fā)基礎(chǔ)試題甲答案總NUMPAGES9頁第9頁試題甲答案總NUMPAGES6頁第1頁試題B考試科目：python開發(fā)基礎(chǔ)試題編號:乙適用對象：軟件專業(yè)、計算機(jī)專業(yè)使用學(xué)期：2022—2023—2課程編號：02213113共5道大題總分100分共10頁一、選擇題（每小題1分，共15小題15分）12345678910ADBCADDBBB1112131415DBBCD二、判斷題（每小題1，共15小題15分）12345678910√√×√√×√××√12345√√√√×三、填空題（每空1分，共7題10分）１．’n’，’.q’，'nc.ude.urhqq.www'２．關(guān)鍵字參數(shù)３．dict(zip(keys,values))４．字典５．69６．a(chǎn),b７．['0','1','2','3']四、編程題（每小題10分，共4小題40分）１．（因python版本不同，設(shè)計思路不同，答案不唯一，根據(jù)內(nèi)容酌情給分，比如注釋2分，讀取文件2分，性別餅狀圖可視化2分，人數(shù)柱狀圖可視化2分，題目詞云2分）importreimportjiebafrompyechartsimportWordCloudfrompyechartsimportPie,Barimportxlrd#1.讀取csv文件,把性別信息讀取出來defOpenFile(filename):data=xlrd.open_workbook(filename,'r',encoding_override='utf-8')table=data.sheets()[0]rows=table.nrowsreturnrows,tabledefgetSex(filename):lstsex=[]rows,table=OpenFile(filename)foriinrange(rows):ifi==0:#跳過第一行continuelstsex.append(table.row_values(i)[8])returnlstsex#2.性別pyechart可視化defVisualSexpyechart(lstsex):sex=dict()#2.1提取好友性別信息,從1開始,因?yàn)榈?個是自己forfinlstsex[0:]:iff=='男':sex["男"]=sex.get("男",0)+1eliff=='女':sex["女"]=sex.get("女",0)+1total=len(lstsex[0:])attr=['161男性','161女性']value=[sex["男"],sex["女"]]pie=Pie("161男女比例",'161總?cè)藬?shù):%d'%total,title_pos='center',width=1200)pie.add("",attr,value,radius=[30,75],center=[50,50],is_label_show=True,is_more_utils=True,is_legend_show=True,legend_top='bottom')pie.render('./男女比例.html')#3.老師指導(dǎo)人數(shù)可視化defgetTeacher(filename):str=[]rows,table=OpenFile(filename)foriinrange(rows):ifi==0:#跳過第一行continuestr.append(table.row_values(i)[5])returnstrdefVisualTeacherpyechart(filename):str=getTeacher(filename)duDict,liangDict,zhangDict,jinDict=dict(),dict(),dict(),dict()#3.1提取老師信息forfinstr[0:]:iff=="杜曉昕":duDict["杜曉昕"]=duDict.get("杜曉昕",0)+1iff=="梁偉":liangDict["梁偉"]=liangDict.get("梁偉",0)+1iff=="張劍飛":zhangDict["張劍飛"]=zhangDict.get("張劍飛",0)+1iff=="金濤":jinDict["金濤"]=jinDict.get("金濤",0)+1attr=['學(xué)生']bar=Bar("老師所帶學(xué)生人數(shù)比例",title_pos='center')bar.add("杜曉昕",attr,[duDict["杜曉昕"]],is_label_show=True,is_more_utils=True,is_legend_show=True,legend_top='bottom')bar.add("梁偉",attr,[liangDict["梁偉"]],is_label_show=True,is_more_utils=True,is_legend_show=True,legend_top='bottom')bar.add("張劍飛",attr,[zhangDict["張劍飛"]],is_label_show=True,is_more_utils=True,is_legend_show=True,legend_top='bottom')bar.add("金濤",attr,[jinDict["金濤"]],is_label_show=True,is_more_utils=True,is_legend_show=True,legend_top='bottom')bar.render('./老師所帶學(xué)生人數(shù)比例柱狀圖.html')#4.題目詞云可視化defgetTitle(filename):str=[]rows,table=OpenFile(filename)foriinrange(rows):ifi==0:#跳過第一行continuestr.append(table.row_values(i)[4])returnstrdefgetInfo(filename):lstat=getTitle(filename)file=open('./畢業(yè)設(shè)計題目.txt','a',encoding='utf-8')forldinlstat:signature=ld.strip().replace("emoji","").replace("span","").replace("class","")rec=pile("lf\d+\w*|[<>/=]")signature=rec.sub("",signature)ifsignature!="":file.write(signature+"\n")defcreate_word_cloud(filename):#讀取文件內(nèi)容text=open("{}.txt".format(filename),encoding='utf-8').read()#jieba分詞wordlist=jieba.lcut(text,cut_all=True)counts={}#通過鍵值對的形式儲存其出現(xiàn)的次數(shù)forwordinwordlist:iflen(word)==1:continueelse:counts[word]=counts.get(word,0)+1#遍歷所有的詞語，每出現(xiàn)一次其對應(yīng)的值加一name=list(counts.keys())value=list(counts.values())wordcloud=WordCloud()wordcloud.add("",name,value)wordcloud.render('./畢業(yè)設(shè)計題目.html')#5.執(zhí)行主程序,得到所有好友性別VisualSexpyechart(getSex("./2020屆畢業(yè)設(shè)計.xlsx"))VisualTeacherpyechart("./2020屆畢業(yè)設(shè)計.xlsx")getInfo("./2020屆畢業(yè)設(shè)計.xlsx")create_word_cloud('./畢業(yè)設(shè)計題目')２．（根據(jù)內(nèi)容酌情給分，比如注釋3分，init函數(shù)2分，其他函數(shù)5分）#玩家飛機(jī)類classPlayer(pygame.sprite.Sprite):def__init__(self,plane_img,init_pos):pygame.sprite.Sprite.__init__(self)self.image=plane_img#用來存儲玩家飛機(jī)圖片的列表self.rect=pygame.Rect(0,0,100,120)self.rect.topleft=init_posself.img_index=0#玩家飛機(jī)圖片索引self.speed=8#初始化玩家飛機(jī)速度，這里是一個確定的值self.bullets=pygame.sprite.Group()#玩家飛機(jī)所發(fā)射的子彈的集合#向上移動，需要判斷邊界defmoveUp(self):ifself.rect.top<=0:self.rect.top=0else:self.rect.top-=self.speed#向下移動，需要判斷邊界defmoveDown(self):ifself.rect.top>=SCREEN_HEIGHT-self.rect.height:self.rect.top=SCREEN_HEIGHT-self.rect.heightelse:self.rect.top+=self.speed#向左移動，需要判斷邊界defmoveLeft(self):ifself.rect.left<=0:self.rect.left=0else:self.rect.left-=self.speed#向右移動，需要判斷邊界defmoveRight(self):ifself.rect.left>=SCREEN_WIDTH-self.rect.width:self.rect.left=SCREEN_WIDTH-self.rect.widthelse:self.rect.left+=self.speed#發(fā)射子彈，生成子彈實(shí)例，然后編為一組defshoot(self,bullet_img):bullet=Bullet(bullet_img,self.rect.midtop)self.bullets.add(bullet)3.（答案不唯一，酌情給分，比如注釋2分，爬取網(wǎng)頁、解析內(nèi)容、可視化內(nèi)容各2分，剩下的2分）importrequestsimportbs4frombs4importBeautifulSoup#爬取網(wǎng)頁內(nèi)容defgetHtmlText(url):r=requests.get(url)r.encoding=r.apparent_encodingreturnr.text#根據(jù)內(nèi)容分析并存儲到列表中defcunNeiRong(ls,html):soup=BeautifulSoup(html,"html.parser")t_list=list(soup.find('tbody').contents)fortrint_list:ifisinstance(tr,bs4.element.Tag):if(tr.find('td').string==u"東部"ortr.find('td').string==u"西部"):continuetds=tr('td')ls.append([tds[0].string,tds[1].string,tds[2].string,tds[3].string,tds[4].string,tds[12].string,tds[13].string])#把內(nèi)容以容易理解清晰的表現(xiàn)輸出出來defprintNeiRong(ls):print(u"東部排名")foriinrange(16):s=ls[i]print("%-5s%-8s%-5s%-5s"%(s[0],s[1],s[2],s[3]))ls=[]url="/standings"NBA=getHtmlText(url)cunNeiRong(ls,NBA)printNeiRong(ls)4.importjiebafromcollectionsimportCounterfromwordcloudimportWordCloudimportmatplotlib.pyplotasplt#0.載入自定義字典jieba.load_userdict("userdict.txt")#1.從txt文本中讀取三國演義到變量中withopen("三國演義.txt",'r',encoding="utf-8",errors="ignore")asf:str1=f.read()#2.對報告進(jìn)行分詞str2=jieba.cut(str1)#3.統(tǒng)計分詞詞頻data=dict(Counter(str2))data2=sorted(data.items(),key=lambdax:x[1],reverse=True)#4.把分詞結(jié)果保存到文件中withopen("result.txt",'w',encoding="utf-8")asf:f.write(data2[:10])cut_text="".join(str2)#5.畫詞云color_mask=imread("te.jpg")#讀取背景圖片，繪制詞云cloud=WordCloud(#設(shè)置字體，不指定就會出現(xiàn)亂碼，文件名不支持中文font_path="fzmw.ttf",#設(shè)置背景色，默認(rèn)為黑，可根據(jù)需要自定義為顏色background_color='black',#詞云形狀，mask=color_mask,#允許最大詞匯max_words=400,#最大號字體，如果不指定則為圖像高度max_font_size=100,#畫布寬度和高度，如果設(shè)置了msak則不會生效width=600,height=400,margin=2,#詞語水平擺放的頻率，默認(rèn)為0.9.即豎直擺放的頻率為0.1prefer_horizontal=0.8)wc=cloud.generate_from_frequencies(txt)#產(chǎn)生詞云wc.to_file("weibo_cloud.jpg")#保存圖片#顯示詞云圖片plt.imshow(wc)#不顯示坐標(biāo)軸plt.axis('off')#繪制詞云image_colors=ImageColorGenerator(color_mask)plt.show()四、綜合題（每小題20分，共1小題20分）1.（答案不唯一，根據(jù)內(nèi)容酌情給分，例如KNN10分，其他機(jī)器學(xué)習(xí)算法10分，人工智能需要學(xué)習(xí)的知識10分）AKNN介紹KNN的全稱是KNearestNeighbors，意思是K個最近的鄰居，從這個名字我們就能看出一些KNN算法的蛛絲馬跡了。K個最近鄰居，毫無疑問，K的取值肯定是至關(guān)重要的。那么最近的鄰居又是怎么回事呢？其實(shí)啊，KNN的原理就是當(dāng)預(yù)測一個新的值x的時候，根據(jù)它距離最近的K個點(diǎn)是什么類別來判斷x屬于哪個類別。KNN是一種非參的，惰性的算法模型。非參的意思并不是說這個算法不需要參數(shù)，而是意味著這個模型不會對數(shù)據(jù)做出任何的假設(shè)，與之相對的是線性回歸（我們總會假設(shè)線性回歸是一條直線）。也就是說KNN建立的模型結(jié)構(gòu)是根據(jù)數(shù)據(jù)來決定的，這也比較符合現(xiàn)實(shí)的情況，畢竟在現(xiàn)實(shí)中的情況往往與理論上的假設(shè)是不相符的。惰性又是什么意思呢？同樣是分類算法，邏輯回歸需要先對數(shù)據(jù)進(jìn)行大量訓(xùn)練（tranning），最后才會得到一個算法模型。而KNN算法卻不需要，它沒有明確的訓(xùn)練數(shù)據(jù)的過程，或者說這個過程很快。KNN算法的優(yōu)勢和劣勢了解KNN算法的優(yōu)勢和劣勢，可以幫助我們在選擇學(xué)習(xí)算法的時候做出更加明智的決定。那我們就來看看KNN算法都有哪些優(yōu)勢以及其缺陷所在！KNN算法優(yōu)點(diǎn)簡單易用，相比其他算法，KNN算是比較簡潔明了的算法。即使沒有很高的數(shù)學(xué)基礎(chǔ)也能搞清楚它的原理。模型訓(xùn)練時間快，上面說到KNN算法是惰性的，這里也就不再過多講述。預(yù)測效果好。對異常值不敏感KNN算法缺點(diǎn)對內(nèi)存要求較高，因?yàn)樵撍惴ù鎯α怂杏?xùn)練數(shù)據(jù)預(yù)測階段可能很慢對不相關(guān)的功能和數(shù)據(jù)規(guī)模敏感B其他機(jī)器學(xué)習(xí)算法：樸素貝葉斯分類(Naive

Bayesian

classification)：對于給出的待分類項(xiàng)，求解此項(xiàng)出現(xiàn)的條件下各個類別出現(xiàn)的概率，哪個最大，就認(rèn)為此待分類屬于哪個類別。貝葉斯公式為：p(A|B)=

p(B|A)*p(A/p(B)，其中P(A|B)表示后驗(yàn)概率，P(B|A)是似然值，P(A)是類別的先驗(yàn)概率，P(B)代表預(yù)測器的先驗(yàn)概率。優(yōu)點(diǎn)：在數(shù)據(jù)較少的情況下仍然有效，可以處理多類別問題。缺點(diǎn)：對輸入數(shù)據(jù)的準(zhǔn)備方式較為敏感。應(yīng)用場景：文本分類、人臉識別、欺詐檢測。決策樹算法：利用了概率論的原理，并且利用一種樹形圖作為分析工具。其基本原理是用決策點(diǎn)代表決策問題，用方案分枝代表可供選擇的方案，用概率分枝代表方案可能出現(xiàn)的各種結(jié)果，經(jīng)過對各種方案在各種結(jié)果條件下?lián)p益值的計算比較，為決策者提供決策依據(jù)決策樹分析法是常用的風(fēng)險分析決策方法。該方法是一種用樹形圖來描述各方案在未來收益的計算。比較以及選擇的方法，其決策是以期望值為標(biāo)準(zhǔn)的。人們對未來可能會遇到好幾種不同的情況。每種情況均有出現(xiàn)的可能，人們現(xiàn)無法確知，但是可以根據(jù)以前的資料來推斷各種自然狀態(tài)出現(xiàn)的概率。在這樣的條件下，人們計算的各種方案在未來的經(jīng)濟(jì)效果只能是考慮到各種自然狀態(tài)出現(xiàn)的概率的期望值，與未來的實(shí)際收益不會完全相等?；貧w算法：是試圖采用對誤差的衡量來探索變量之間的關(guān)系的一類算法?；貧w算法是統(tǒng)計機(jī)器學(xué)習(xí)的利器。在機(jī)器學(xué)習(xí)領(lǐng)域，人們說起回歸，有時候是指一類問題，有時候是指一類算法，這一點(diǎn)常常會使初學(xué)者有所困惑。常見的回歸算法包括：最小二乘法（OrdinaryLeastSquare），邏輯回歸（LogisticRegression），逐步式回歸（StepwiseRegression），多元自適應(yīng)回歸樣條（MultivariateAdaptiveRegressionSplines）以及本地散點(diǎn)平滑估計（LocallyEstimatedScatterplotSmoothing）。基于核的算法基于核的算法中最著名的莫過于支持向量機(jī)（SVM）了?；诤说乃惴ò演斎霐?shù)據(jù)映射到一個高階的向量空間，在這些高階向量空間里，有些分類或者回歸問題能夠更容易的解決。常見的基于核的算法包括：支持向量機(jī)（SupportVectorMachine，SVM），徑向基函數(shù)（RadialBasisFunction，RBF)，以及線性判別分析（LinearDiscriminateAnalysis，LDA)等。聚類算法聚類，就像回歸一樣，有時候人們描述的是一類問題，有時候描述的是一類算法。聚類算法通常按照中心點(diǎn)或者分層的方式對輸入數(shù)據(jù)進(jìn)行歸并。所以的聚類算法都試圖找到數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，以便按照最大的共同點(diǎn)將數(shù)據(jù)進(jìn)行歸類。常見的聚類算法包括k-Means算法以及期望最大化算法（ExpectationMaximization，EM）。C人工智能需要掌握的知識：計算機(jī)科學(xué)基礎(chǔ)和編程。對機(jī)器學(xué)習(xí)工程師而言，計算機(jī)科學(xué)基礎(chǔ)的重要性包括數(shù)據(jù)結(jié)構(gòu)(數(shù)據(jù)堆棧、隊(duì)列、多位數(shù)組、樹形以及圖像等等)、算法(搜索、分類、優(yōu)化、動態(tài)編程等)、科計算性與復(fù)雜性(P對NP、NP完全問題、大O符號以及近似算法等)和計算機(jī)架構(gòu)(存儲、緩存、帶寬、死鎖和分布式處理等等)。概率論和數(shù)理統(tǒng)計。概率的形式表征(條件概率、貝葉斯法則、可能性、獨(dú)立性等)和從其中衍生出的技術(shù)(貝葉斯網(wǎng)、馬爾科夫決策過程、隱藏式馬可夫模型等)是機(jī)器學(xué)習(xí)算法的核心，這些理論可以用來處理現(xiàn)實(shí)世界中存在的不確定性問題。和這個領(lǐng)域密切相關(guān)的還有統(tǒng)計學(xué)，這個學(xué)科提供了很多種衡量指標(biāo)(平均值、中