python学习记录(五)————案例

案例练习(一)

        用户输入一个三位数,判断是否为水仙花数

        要求对三位数值验证是否为三位数

        水仙花数 = 百位的三次方 + 十位的三次方 + 个位的三次方

"""
用户输入一个三位数,判断是否为水仙花数

要求对三位数值验证是否为三位数

水仙花数 = 百位的三次方 + 十位的三次方 + 个位的三次方
"""
# 采集用户输入
num = int(input('请输入一个三位数:'))

# 验证输入是否为三位数
if not(99 < num < 1000):
    print('输入数据有误')
    exit()

# 验证是否是水仙花数
num_100 = num // 100 # 百位
num_10 = num % 100 // 10 # 十位
num_1 = num % 10 # 个位

if num == num_1 **3 + num_10 ** 3 + num_100 ** 3:
    print('是水仙花数')
else:
    print('不是水仙花数')

案例练习(二)

给定一个数值,让用户猜。猜对提示正确;猜错提示“大了”或“小了”,让用户继续猜。

result = int(input('请输入一个整数:'))
print('开始猜数')

while True:
    num = int(input('请输入您的猜想:'))
    if num == result:
        print('恭喜您猜对了')
        break
    elif num > result:
        print('您猜大了')
    else:
        print('您猜小了')

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
案例将使用逻辑回归模型来预测居民的出行方式选择行为。数据集包含居民的个人和家庭信息以及出行方式的选择情况。我们将使用Python语言进行分析和建模。 首先,加载需要用到的库和数据集: ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline data = pd.read_csv('modechoice.csv') ``` 接下来,我们对数据集进行探索和预处理: ```python # 查看数据集的前5行 data.head() # 将数据集分为自变量和因变量 X = data.iloc[:, :-1] y = data.iloc[:, -1] # 将分类变量转换为数值型变量 X = pd.get_dummies(X, columns=['Gender', 'Education', 'Income', 'Car', 'Bike']) # 将因变量转换为0和1的二元变量 y = np.where(y=='Car', 1, 0) # 将数据集分为训练集和测试集 from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` 然后,我们使用逻辑回归算法进行建模: ```python from sklearn.linear_model import LogisticRegression model = LogisticRegression() model.fit(X_train, y_train) ``` 接下来,我们评估模型的性能: ```python # 预测测试集的结果 y_pred = model.predict(X_test) # 计算模型的准确率 from sklearn.metrics import accuracy_score accuracy_score(y_test, y_pred) ``` 最后,我们可以使用模型来进行预测: ```python # 创建一个新的数据集 new_data = pd.DataFrame({ 'Gender_Female': [1], 'Gender_Male': [0], 'Education_Graduate': [0], 'Education_High School': [1], 'Education_Others': [0], 'Income_High': [1], 'Income_Low': [0], 'Income_Medium': [0], 'Car_No': [1], 'Car_Yes': [0], 'Bike_No': [0], 'Bike_Yes': [1] }) # 预测新数据的结果 model.predict(new_data) ``` 本案例中使用的数据集是一个虚构的例子,实际应用中需要根据具体的场景选择合适的数据集和特征工程方法。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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