python风险人群筛查CSP

风险人群筛查
在这里插入图片描述

#输入
5 2 6 20 40 100 80
100 80 100 80 100 80 100 80 100 80 100 80
60 50 60 46 60 42 60 38 60 34 60 30
10 60 14 62 18 66 22 74 26 86 30 100
90 31 94 35 98 39 102 43 106 47 110 51
0 20 4 20 8 20 12 20 16 20 20 20
#输出
3
2

在这里插入图片描述

#输入
1 3 8 0 0 10 10
-1 -1 0 0 0 0 -1 -1 0 0 -1 -1 0 0 0 0
#输出
1
0
""""
#100分
总体思路:简单暴力
对每一个人进行循环分析,以步长2来比较坐标从而确定是否在区域内;
只要在区域内,经过列表的值就为1;
需要保证连续:记录上一次的索引值,记得更新索引值;
对于大于等于k的直接推出循环,已经找到想要的结果,否则重新归零,继续查找,直到把当前人位置遍历完
"""
n,k,t,xl,ud,xr,uu=map(int,input().split())
a=[]
for i in range(n):
    a.append(list(map(int,input().split())))
count=0
dliu=[0]*n
jguo=[0]*n
for i in range(n):
    temp=-2
    count=0#每次进行时都需要重新赋值,因为很可能是break开启的新循环
    for j in range(0,2*t,2):
        if xl<=a[i][j]<=xr and ud<=a[i][j+1]<=uu:
            jguo[i] = 1 #只要存在点在区域内则是经过
            if j-temp==2:#用来保证连续
                count+=1#如果连续则加1
                temp = j#temp指向当前值,用来继续判断下一个(+2)是否连续
                if count>=k:#大于等于k时则表示停留
                    dliu[i]=k#找到即赋值,并且退出当前人,准备对下一个人进行处理
                    break
            else:#当前人的坐标虽然在区域内,但不连续
                count=0#对当前人重新查找
                temp=j#记录当前在区域内的位置
                count+=1#计数加1
        else:#当前人有个别点不在区域内,需要重新计数
            count = 0
print(jguo.count(1))#经过
print(dliu.count(k))#停留

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,以下是使用Python编写多分类CSP代码的步骤: 步骤1:导入所需的库和模块 首先需要导入所需的 Python 库和模块,包括 NumPy、Pandas、Sklearn 等。可以使用以下代码导入: import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import confusion_matrix, accuracy_score 步骤2:加载数据集 根据问题的实际情况,可以采用合适的方法加载数据集。可以使用 Pandas 库的 read_csv() 函数读取 CSV 文件,如下所示: dataset = pd.read_csv('dataset.csv') 步骤3:划分数据集 为了进行训练和测试,需要将数据集划分为训练集和测试集。可以使用 Sklearn 库的 train_test_split() 函数,如下所示: X = dataset.iloc[:, :-1].values y = dataset.iloc[:, -1].values X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) 步骤4:特征缩放 由于数据集中的特征值具有不同的量纲,需要进行特征缩放以保证特征值的范围相同。可以使用 Sklearn 库的 StandardScaler 类,如下所示: sc = StandardScaler() X_train = sc.fit_transform(X_train) X_test = sc.transform(X_test) 步骤5:训练模型 可以使用 Sklearn 库的多种分类算法进行训练,如决策树分类器。可以使用 Sklearn 库的 DecisionTreeClassifier 类,如下所示: classifier = DecisionTreeClassifier(criterion='entropy', random_state=0) classifier.fit(X_train, y_train) 步骤6:测试模型 最后,可以使用测试数据集对训练好的模型进行测试,并计算模型的准确率等指标。可以使用 Sklearn 库的 confusion_matrix() 函数和 accuracy_score() 函数,如下所示: y_pred = classifier.predict(X_test) cm = confusion_matrix(y_test, y_pred) print(cm) print('Accuracy: ', accuracy_score(y_test, y_pred)) 以上就是使用 Python 编写多分类 CSP 代码的基本步骤。
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