1003. 我要通过!

PAT 乙级
原题链接

  1. 字符串中必须仅有 P、 A、 T这三种字符,不可以包含其它字符;【仅有PAT】
  2. 任意形如 xPATx 的字符串都可以获得“答案正确”,其中 x 或者是空字符串,或者是仅由字母 A 组成的字符串;【形如xPATx】
  3. 如果 aPbTc 是正确的,那么 aPbATca 也是正确的,其中 a、 b、 c 均或者是空字符串,或者是仅由字母 A 组成的字符串。【 aPbTc==aPbATca】
【仅有PAT】n1=0,n2=1,n3=0
【形如xPATx】n1=x,n2=1,n3=x
【 aPbTc==aPbATca】n1=a,n2=b,n3=c; n1=a,n2=bA,n3=ca;

在这里插入图片描述

  • n1*n2=n3(n1,n2,n3分别代表P前、PT间、T后的A数量)
#include<stdio.h>
#include<string.h>

int main(){
	int i,p=0,a=0,t=0,j,k;
	scanf("%d",&i);
	//i为输入样例个数 
	int pin[99];
	//pin为保存输入样例是否正确,2---》有其他字符,1-----》正确 

	k=i;
	//循环输入 
	while(k!=0){
		char n[99]={};
		scanf("%s",n);
		 for(j=0;n[j]!='\0';j++){
		 	//判断P,T位置 
		 	switch(n[j]){
		 		case 'P': p=j;break;
		 		case 'A': a++;break;//确保输入样例中包含字符A 
		 		case 'T': t=j;break;
		 		default: pin[k]=2;//含有其他字符 
			 } 
		 }
		 //数学推导
		 if(p*(t-p-1)==(strlen(n))-t-1){
		 	if((pin[k]!=2)&&(a!=0))
		 	pin[k]=1;
		 }
		 k--;
		 t=p=a=0;
	}
	while(i!=1){
		if(pin[i]==1)
		printf("YES\n");
		else
		printf("NO\n");
		i--;
	}
	if(pin[1]==1)
		printf("YES");
	else
		printf("NO");
	return 0;
}
好的,让我来回答您的问题。 (1) 通过 Python/pandas 读取数据库文件或 csv 文件: 可以使用 pandas 的 `read_csv()` 函数来读取 csv 文件。例如,假设文件名为 `data.csv`,可以使用以下代码读取该文件: ```python import pandas as pd df = pd.read_csv('data.csv') ``` 如果您的数据存储在数据库中,则可以使用 Python 的数据库 API(如 `sqlite3`、`psycopg2` 等)连接到数据库,并使用 SQL 查询语句从数据库中检索数据。然后,将检索到的数据转换为 pandas DataFrame,以便进行分析。 (2) 对获取得到的数据进行分析 1. 是否线性关系?请画出各自变量与因变量的散点图。 可以使用 matplotlib 库来绘制散点图。以下是绘制占用资金与销售额之间散点图的示例代码: ```python import matplotlib.pyplot as plt plt.scatter(df['x1'], df['y']) plt.xlabel('库存资金额') plt.ylabel('销售额') plt.show() ``` 您可以按照相同的方式绘制其他变量与销售额之间的散点图,以便检查它们之间是否存在线性关系。 2. 建立并给出销售额的回归模型;给出各回归系数的 95% 的置信区间。 可以使用 statsmodels 库来建立线性回归模型。以下是使用 `statsmodels.formula.api` 模块建立销售额的回归模型的示例代码: ```python import statsmodels.formula.api as smf model = smf.ols('y ~ x1 + x2 + x3', data=df).fit() print(model.summary()) ``` 上述代码中,`y` 表示因变量,`x1`、`x2` 和 `x3` 分别表示自变量。`ols()` 函数的第一个参数是一个公式字符串,指定模型的形式。`data` 参数是一个 DataFrame,指定要用于拟合模型的数据。`fit()` 方法返回一个 `RegressionResults` 对象,其中包含有关拟合模型的有用信息,例如回归系数、置信区间和拟合优度等。 调用 `summary()` 方法可以打印出有关模型的详细信息,包括回归系数、标准误差、置信区间、F 统计量、p 值等。 3. 计算回归的拟合优度判定系数(多重可决系数)。 可以使用 `rsquared` 属性计算 R 平方值。例如,以下代码计算 R 平方值: ```python print('R squared:', model.rsquared) ``` 4. 对回归方程做 F 检验,检验线性回归的显著性。 可以使用 `f_pvalue` 属性计算 F 统计量的 p 值。例如,以下代码计算 F 统计量的 p 值: ```python print('F p-value:', model.f_pvalue) ``` 如果 p 值小于给定的显著性水平(通常为 0.05),则可以拒绝零假设,即线性回归显著。 5. 如果未来某月库存资金额为 150 万元,广告投入预算为 45 万元,员工薪酬总额为 27 万元,试根据建立的回归模型预测该月的销售额。 可以使用 `predict()` 方法根据建立的回归模型预测销售额。例如,以下代码预测库存资金额为 150 万元、广告投入预算为 45 万元、员工薪酬总额为 27 万元时的销售额: ```python new_data = {'x1': 150, 'x2': 45, 'x3': 27} print('预测销售额:', model.predict(new_data)) ``` 以上就是对您问题的回答,希望对您有所帮助。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值