✘two✘

**一**

国际象棋棋盘是个正方形，由横纵向各8格、颜色一深一浅交错排列的64个小方格组成，深色格为黑格，浅色格为白格，棋子就在这些格子中移动。接下来创建一个与国际象棋棋盘相似的8×8矩阵。启动Jupyter Notebook创建一个Notebook。（2分）创建一个8×8的全0数组，并储存至数组arr。（3分）将数组arr的奇数行奇数列和偶数行偶数列的元素设置为1。（4分）将数组arr转换为矩阵matr1。（2分）将矩阵matr1转置为矩阵matr2，并判断矩阵mate1与矩阵matr2是否完全相同。（3分）将矩阵matr2存储为当前工作路径下的一个二进制格式的文件matr2.npy。（2分）

-----------------分割线------------------

#（1）启动JupyterNotebook创建一个Notebook。（2分）

#（2）创建一个8×8的全0数组，并储存至数组arr。（3分）

importnumpy as nparr= np.zeros((8, 8)) # 创建一个8*8数组

#（3）将数组arr的奇数行奇数列和偶数行偶数列的元素设置为1。（4分）

fori in range(8): # 按行循环for j inrange(8): # 按列循环if(i + j) % 2 == 0:# 找出行索引与列索引之和为偶数的元素arr[i][j] = 1 # 将其设置为1

#（4）将数组arr转换为矩阵matr1。（2分）matr1= np.matrix(arr)

#（5）将矩阵matr1转置为矩阵matr2，并判断矩阵mate1与矩阵matr2是否完全相同。（3分）

matr2= matr1.T print((matr1 == matr2).all())

# （6）将矩阵matr2存储为当前工作路径下的一个二进制格式的文件matr2.npy。（2分） np.save('matr2.npy',matr2)

**二**

招聘数据探索与分析。读取数据文件job_info.csv，并储存为数据框job_info。（2分）将数据框job_info的列名称从左至右依次修改为“公司”“岗位”“工作地点”“工资”“发布日期”。（2分）统计数据中需求最多的岗位招聘，并输出其结果。（2分）获取数据中9月3日发布的招聘信息，并输出其结果。（3分）获取工作地点在深圳的数据分析师招聘信息，并输出其结果。（3分）获取在“工资”列中，以“千/月”或“千/年”或“万/月”或“万/年”结尾的数据所在的行的数据，并储存至数据框job_info_new。（3分）根据“工资”列，在数据框job_info_new中，新增最低工资和最高工资两列，列名分别设置为“最低工资（元/月）”和“最高工资（元/月）”。（注意：这两列数据的单位是“元/月”，例如：若2-2.5万/月，则最低工资为20000，最高工资为25000。）（5分）

-----------------分割线------------------

#（1）读取数据文件job_info.csv，并储存为数据框job_info。（2分）

importpandas as pdimportrejob_info= pd.read_csv('job_info.csv', encoding='GBK', header=None)job_info.head()

#（2）将数据框job_info的列名称从左至右依次改修为“公司”“岗位”“工作地点”“工资”“发布日期”。（2分）

job_info.columns= ['公司', '岗位', '工作地点', '工资', '发布日期']job_info.head()

#（3）统计数据中需求最多的岗位招聘，并输出其结果。（2分）

print(job_info['岗位'].value_counts().index[0])

#（4）获取数据中9月3日发布的招聘信息，并输出其结果。（3分）print(job_info[job_info['发布日期'] == '09-03'])

#（5）获取工作地点在深圳的数据分析师招聘信息，并输出其结果。（3分）job_info.loc[(job_info['工作地点'].apply(lambda x: '深圳' in x)) & (job_info['岗位'] == '数据分析师'), :]

#（6）获取在“工资”列中，以“千/月”或“千/年”或“万/月”或“万/年”结尾的数据所在的行的数据，并储存至数据框job_info_new。（3分）job_info['工资'].str[-1].value_counts()job_info['工资'].str[-3].value_counts()index1= job_info['工资'].str[-1].apply(lambdax: x in ['月', '年'])index2= job_info['工资'].str[-3].apply(lambdax: x in ['千', '万'])job_info_new= job_info[index1 & index2]job_info_new.shape

#（7）根据“工资”列，在数据框job_info_new中，新增最低工资和最高工资两列，列名分别设置为“最低工资（元/月）”和“最高工资（元/月）”。（注意：这两列数据的单位是“元/月”，例如：若2-2.5万/月，则最低工资为20000，最高工资为25000。）（5分）defget_max_min_value(x):try:if x[-3] == '万':a = [float(i) *10000 for i in re.findall('\d+.?\d*', x)]elif x[-3] == '千':a = [float(i) * 1000for i in re.findall('\d+\.?\d*', x)]if x[-1] == '年':a = [i / 12 for i ina]except:passreturn asalary= job_info_new['工资'].apply(get_max_min_value)job_info_new['最低工资'] = salary.str[0]job_info_new['最高工资'] = salary.str[1]

**三**

sklearn库不仅囊括了很多机器学习的算法，而且也自带了许多经典的数据集，鸢尾花数据集就是其中之一。鸢尾花数据集包含150个数据样本，分为3类，每类50个数据，每个数据包含4个特征，分别为SepalLength（花萼长度）、SepalWidth（花萼宽度）、PetalLength（花瓣长度）、PetalWidth（花瓣宽度）。通过这4个特征可划分鸢尾花的类别。请根据鸢尾花数据，编写Python代码完成下列操作：使用sklearn库加载鸢尾花数据和数据标签，将鸢尾花数据储存至数据框data，数据标签储存至数据框label。（3分）统计数据中鸢尾花的类别数，并输出其结果。（3分） 以花萼长度为x轴，花萼宽度为y轴，绘制并展示散点图。（3分）将加载好的鸢尾花数据集划分成训练集和测试集两部分，训练集和测试集样本数比例为8:2，并将训练集数据、测试集数据、训练集标签和测试集标签分别储存至数据框x_train，数据框x_test，数据框y_train和数据框y_test。（4分）对数据框x_train和数据框x_test进行离差标准化，将标准化后的训练集和测试集数据分别储存至数据框scaler_x_train和数据框scaler_x_test。（注意：测试集数据需使用和训练集数据相同的规则进行标准化。）（4分）构建决策树分类模型，命名为model，并进行模型训练。（4分）对构建的模型进行性能评估，并输出其结果。（性能评估包括计算精确率、召回率和F1值等分类评估指标。）（4分）

-----------------分割线------------------

#（1）使用sklearn库加载鸢尾花数据和数据标签，将鸢尾花数据储存至数据框data，数据标签储存至数据框label。（3分）fromsklearn.datasets import load_irisiris= load_iris()data= iris['data'] label = iris['target']

#（2）统计数据中鸢尾花的类别数，并输出其结果。（3分）

print(len(set(label)))

#（3）以花萼长度为x轴，花萼宽度为y轴，绘制并展示散点图。（3分）importmatplotlib.pyplot as pltplt.scatter(data[:, 0], data[: , 1])plt.show()

#（4）将加载好的鸢尾花数据集划分成训练集和测试集两部分，训练集和测试集样本数比例为8:2，并将训练集数据、测试集数据、训练集标签和测试集标签分别储存至数据框x_train，数据框x_test，数据框y_train和数据框y_test。（4分）

fromsklearn.model_selection import train_test_splitx_train,x_test, y_train, y_test = train_test_split(data, label, test_size=0.2)

#（5）对数据框x_train和数据框x_test进行离差标准化，将标准化后的训练集和测试集数据分别储存至数据框scaler_x_train和数据框scaler_x_test。（注意：测试集数据需使用和训练集数据相同的规则进行标准化。）（4分）

fromsklearn.preprocessing import MinMaxScalerscaler= MinMaxScaler().fit(x_train)scaler_x_train= scaler.transform(x_train)scaler_x_test= scaler.transform(x_test)

#（6）构建决策树分类模型，命名为model，并进行模型训练。（4分）

fromsklearn.tree import DecisionTreeClassifiermodel= DecisionTreeClassifier()model.fit(scaler_x_train,y_train)

#（7）对构建的模型进行性能评估，并输出其结果。（性能评估包括计算精确率、召回率和F1值等分类评估指标。）（4分）fromsklearn.metrics import classification_report # 模型评估pre=model.predict(scaler_x_test)res= classification_report(y_test, pre)print(res)