1. 文件操作 请通过键盘依次输入每位同学的学号、姓名、性别、身高、体重，并保存在c:student.txt文件中，每位同学一行。程序运行过程如下： 学号: 100 姓名: zhangsan 性别: 男 身高: 175 体重: 72 学号: 200 姓名: lisi 性别: 女 身高: 168 体重: 55 保存之后的文件内容如下： 100 zhangsan 男 175 72 200 lisi 女 168 55 请通过键盘输入学号，在刚才保存的c:student.txt文件中，查询相应的学生，输出ta的身高。运行过程如下： 学号: 100 175
代码语言：javascript复制def select():
with open('info.txt','r') as f:
no=input('查询的学号')
content=f.readlines()
for each in content:
temp=each.split()
if no==temp[0]:
print(temp[3])
break
def add():
with open('info.txt','a') as f:
myinput=[]
info=['学号','姓名','性别','身高','体重']
for i in range(5):
myinput.append(input('%s'%info[i]))
for each in myinput:
f.write(each ' ')
f.write('n')
1234567891011121314151617182. 请把第1题修改成使用sqlite3数据库。具体来说就是这样： 首先在sqlite3数据库中创建学生信息表，包括学号、姓名、性别、身高、体重五个字段。 然后运行你的程序，过程与上次一样，只是保存的时候通过insert语句保存到刚刚创建的数据库中。 查询过程也类似，通过执行select语句实现查找功能
代码语言：javascript复制import sqlite3
def create():
conn=sqlite3.connect('test.db')
cu=conn.cursor()
cu.execute('create table stuinfo if not exit(no varchar(10) primary key,name varchar(20),sex varchar(20),height varchar(20),weight varchar(20))')
cu.close()
conn.commit()
conn.close()
def add():
conn=sqlite3.connect('test.db')
cu=conn.cursor()
myinput=[]
info=['学号','姓名','性别','身高','体重']
for i in range(5):
myinput.append(input('%s'%info[i]))
cu.execute('insert into stuinfo values(?,?,?,?,?)',(myinput[0],myinput[1],myinput[2],myinput[3],myinput[4]))
cu.close()
conn.commit()
conn.close()
def select(no):
conn=sqlite3.connect('test.db')
cu=conn.cursor()
a=cu.execute('select height from stuinfo where id=?',(no,))
vlaue=a.fetchall()
print(vlaue[0][0])
cu.close()
conn.close()
123456789101112131415161718192021222324252627283. 请编写myqq即时聊天脚本。具体来说，就是两个同学一组，各自在自己的电脑上面运行python脚本，实现类似于qq的聊天功能。 提示1：使用udp协议 提示2：两个同学的程序是不一样的，一个是udp的server端，一个是udp的client端
客户端：
代码语言：javascript复制import socket
client=socket.socket(socket.AF_INET,socket.SOCK_DGRAM)
while True:
msg=input('输入要发送的内容:')
server_address=('127.0.0.1',9999)
client.sendto(msg.encode(),server_address)
receive_data,sender_address=client.recvfrom(1024)
print('接收到了%s传来的数据:%s'%(sender_address,receive_data.decode()))
123456789服务器端：
代码语言：javascript复制import socket
s=socket.socket(socket.AF_INET,socket.SOCK_DGRAM)
address=('127.0.0.1',9999)
s.bind(address)
while True:
data,addr=s.recvfrom(1024)
print('收到的%s的数据:%s'%(addr,data.decode()))
msg=input('输入发送的信息')
s.sendto(msg.encode(),address)
123456789104. 使用tcp协议编写满足如下要求的服务器端和客户端代码，客户端向服务器端发送以下两种格式的请求数据： 格式一： GET filename 例如 GET 1.txt 服务器收到这种格式的请求之后，读取c:homepages目录下面指定filename文件（例如c:homepage1.txt）的内容，并按照如下约定返回响应数据： 如果文件存在，则返回两行内容： 200 c:homepage1.txt文件的内容 如果文件不存在，则返回下面两行内容： 404 file not found 格式二： POST filename xxxxxx 服务器端收到这种请求之后，在c:homepages目录下面以指定filename创建文件，并写入xxxxxx的内容，如果文件存在，则追加写入。返回给客户端的数据如 下： 200 写入长度
客户端：
代码语言：javascript复制import socket
s=socket.socket(socket.AF_INET,socket.SOCK_STREAM)
s.connect(('127.0.0.1',54321))
while True:
temps1=input('发送内容')
if temps1=='end':
break
s.send(temps1.encode())
data=s.recv(1024).decode()
print(data)
s.send(b'exit')
s.close()
12345678910111213服务器端：
代码语言：javascript复制import socket
import threading
import time
def tcplink(sock,addr):
while True:
data=sock.recv(1024)
time.sleep(1)
if not data or data.decode()=='exit':
break
elif data.decode()[0:4]=='GET ':
templ1=[]
templ1=data.decode().split()
try:
f=open(templ1[1],'r')
sock.send(b'200n' templ1[1].encode() f.read().encode())
f.close()
except OSError:
sock.send(b'404nfile not found')
elif data.decode()[0:5]=='POST ':
templ1=[]
templ1=data.decode().split()
f=open(templ1[1],'a')
temp1=f.write(templ1[2])
f.close()
temps1=str(temp1)
sock.send(b'200n' temps1.encode())
else:
sock.send('请输入正确格式请求'.encode())
sock.close()
s=socket.socket(socket.AF_INET,socket.SOCK_STREAM)
s.bind(('',54321))
s.listen(5)
while True:
sock,addr=s.accept()
t=threading.Thread(target=tcplink,args=(sock,addr))
t.start()
12345678910111213141516171819202122232425262728293031323334353637385. 使用python编程实现上述过程（访问https://www.51job.com/，在搜索框输入关键字：python java，用右边的加号选择北京、上海、广州、深圳四个城市），不需要使用socket编程来做，使用书上提到的request库或者其它库都可以。
6. 网页返回的内容是html格式的，下面是经过简化之后的部分页面内容：
北京-朝阳区 1.5-2万/月 10-16 深圳-龙华新区 1.5-2.5万/月 10-16 北京-海淀区 0.8-1.5万/月 10-16 广州 1.5-2万/月 10-16 可以尝试用字符串比对的方式取出里面的数据部分，结果如下： 北京-朝阳区 1.5-2万/月 10-16 深圳-龙华新区 1.5-2.5万/月 10-16 北京-海淀区 0.8-1.5万/月 10-16 广州 1.5-2万/月 10-16
7. 了解正则表达式，使用正则表达式解决6的问题。
8. 21.修改18的代码，分别获取关键字是python、java，右边选择北京、上海、广州、深圳四个城市时前10页的招聘数据，用正则表达式解析获取的数据，按照以下格式分别把数据存储在文件和数据库中
关键字 工作地点 薪资min 薪资max java 上海 1.5 1.6 java 深圳 1.5 3 java 上海 0.8 1 python 北京 1.5 2.5 python 广州 1.5 2.2 提示：网页上的数据有两处需要处理： 一是工作地点，原始内容可能是上海-浦东新区，只保留前面的城市名上海 二是薪资，原始内容是1.2-1.8万/月或10-20万/年，把单位换算成一致的，并且把最小值和最大值分开存放
代码语言：javascript复制import urllib.request
import re
import sqlite3
def get_content(page, key):
url = 'https://search.51job.com/list/010000%2C020000%2C030200%2C040000,000000,0000,00,9,99,' key ',2,' str(page) '.html'
a = urllib.request.urlopen(url)
html = a.read().decode('gbk')
lst = re.findall(r'<span class="t3">(北京|上海|广州|深圳).*?</span>s <span class="t4">(d .?d?)-(d .?d?)(万|千)/(年|月)</span>', html)
return lst
conn = sqlite3.connect('51.db')
c = conn.cursor()
c.execute('''CREATE TABLE IF NOT EXISTS jobs
(key text, addr text, min float, max float)''')
c.execute('''delete from jobs''')
conn.commit()
with open('51.txt', 'w') as f:
f.write('%st%st%st%sn' % ('key','addr','min','max'))
for key in ('python', 'java'):
for each in range(1, 11):
for items in get_content(each, key):
min = float(items[1])
max = float(items[2])
if items[3] == "千":
min /= 10
max /= 10
if items[4] == "年":
min /= 12
max /= 12
f.write('%st%st%st%sn' % (key, items[0], round(min, 2), round(max, 2)))
c.execute("INSERT INTO jobs VALUES (?,?,?,?)", (key, items[0], round(min, 2), round(max, 2)))
conn.commit()
conn.close()
if __name__ == '__main__':
lst = get_content(1, 'python')
print(lst)
1234567891011121314151617181920212223242526272829303132333435363738399. 分析爬取下来的51job上的信息，给出java 最小工资=10000，应该去哪个城市，利用贝叶斯分类
方法一：pandas：
代码语言：javascript复制import pandas as pd
df = pd.read_csv('51.txt', sep='t')
12# 计算类别的先验概率
代码语言：javascript复制pc = df['addr'].value_counts() / df['addr'].size
1# 计算每个特征属性条件概率
代码语言：javascript复制pa = pd.crosstab(df['addr'], df['key'], margins=True).apply(lambda x:x/x[-1], axis=1)
1# 通过样本计算出均值和方差，也就是得到正态分布的密度函数。有了密度函数，就可以把值代入，算出某一点的密度函数的值
代码语言：javascript复制import numpy as np
df2 = df.groupby('addr').agg([np.mean, np.var])
df2['x'] = 1
from math import pi, exp, sqrt
def f(x, mean, var):
return exp(-(x-mean)**2/(2*var))/sqrt(2*pi*var)
df2['p_x_min']=df2[['min','x']].apply(lambda x: f(x['x'], x['min']['mean'], x['min']['var']), axis=1)
df2['p_x_max']=df2[['max','x']].apply(lambda x: f(x['x'], x['max']['mean'], x['max']['var']), axis=1)
(df2['p_x_min']*pc*pa['java']).argmax()
方法二：
from numpy import genfromtxt
x = genfromtxt('51.txt', delimiter='t', skip_header=True, usecols=(2,3))
x.shape
y = genfromtxt('51.txt', delimiter='t', skip_header=True, usecols=(1), dtype=str)
y.shape
import numpy as np
np.unique(y)
from sklearn.naive_bayes import GaussianNB
clf = GaussianNB()
#拟合数据
clf.fit(x, y)
print(clf.predict([[0.8, 1.2]]))
print(clf.predict_proba([[0.8, 1.2]]))
print(clf.predict_log_proba([[0.8, 1.2]]))
123456789101112131415161718192021222324252627282910.线性回归解决给出身高生成体重问题：y=ax b 用到的代码和数据hwSimulate.py是用于生成模拟数据的，大家运行一下会生成一个hw.txt linear_regression.py包括自己实现的代码和用sklearn实现的 大家看着再学习一下
hwSimulate.py:
代码语言：javascript复制import random
with open('hw.txt', 'w') as f:
f.write('heighttweightn')
for i in range(100):
height = random.randint(1600, 1900) / 10
weight = (height - 100) * 0.9 random.randint(-50, 50) / 10
f.write('%.1ft%.1fn' % (height, weight))
linear_regression.py:
__author__ = 'DivinerShi'
import numpy as np
import matplotlib.pyplot as plt
def compute_error(b,m,data):
totalError = 0
#Two ways to implement this
#first way
# for i in range(0,len(data)):
# x = data[i,0]
# y = data[i,1]
# totalError = (y-(m*x b))**2
# print('(%f*%f %f)=%f,y=%f,loss=%f,totalError=%f' % (m,x,b,(m*x b),y,(y-(m*x b))**2,totalError))
#second way
x = data[:,0]
y = data[:,1]
totalError = (y-m*x-b)**2
totalError = np.sum(totalError,axis=0)
return totalError/float(len(data))
def optimizer(data,starting_b,starting_m,learning_rate,num_iter):
b = starting_b
m = starting_m
#gradient descent
for i in range(num_iter):
#update b and m with the new more accurate b and m by performing
# thie gradient step
b,m =compute_gradient(b,m,data,learning_rate)
if i0==0:
print('iter {0}:error={1}'.format(i,compute_error(b,m,data)))
return [b,m]
def compute_gradient(b_current,m_current,data ,learning_rate):
b_gradient = 0
m_gradient = 0
N = float(len(data))
#Two ways to implement this
#first way
# for i in range(0,len(data)):
# x = data[i,0]
# y = data[i,1]
# #computing partial derivations of our error function
# #b_gradient = -(2/N)*sum((y-(m*x b))^2)
# #m_gradient = -(2/N)*sum(x*(y-(m*x b))^2)
# b_gradient = -(2/N)*(y-((m_current*x) b_current))
# m_gradient = -(2/N) * x * (y-((m_current*x) b_current))
# # print('m_current=%f,b_current=%f,N=%f,x=%f,y=%f,y-((m_current*x) b_current)=%f, b_gradient=%f, m_gradient=%f' % (m_current, b_current, N, x, y, y-((m_current*x) b_current), b_gradient, m_gradient))
#Vectorization implementation
x = data[:,0]
y = data[:,1]
b_gradient = -(2/N)*(y-m_current*x-b_current)
b_gradient = np.sum(b_gradient,axis=0)
m_gradient = -(2/N)*x*(y-m_current*x-b_current)
m_gradient = np.sum(m_gradient,axis=0)
#update our b and m values using out partial derivations
new_b = b_current - (learning_rate * b_gradient)
new_m = m_current - (learning_rate * m_gradient)
return [new_b,new_m]
def Linear_regression():
# get train data
# data =np.loadtxt('data.csv',delimiter=',')
data =np.loadtxt('hw.txt',delimiter='t',skiprows=True)
#define hyperparamters
#learning_rate is used for update gradient
#defint the number that will iteration
# define y =mx b
learning_rate = 0.000001
initial_b =0.0
initial_m = 0.0
num_iter = 10000
#train model
#print b m error
print('initial variables:n initial_b = {0}n intial_m = {1}n error of begin = {2} n'
.format(initial_b,initial_m,compute_error(initial_b,initial_m,data)))
#optimizing b and m
[b ,m] = optimizer(data,initial_b,initial_m,learning_rate,num_iter)
#print final b m error
print('final formula parmaters:n b = {1}n m={2}n error of end = {3} n'.format(num_iter,b,m,compute_error(b,m,data)))
#plottting
x = data[:,0]
y = data[:,1]
y_predict = m*x b
plt.scatter(x, y, color = 'blue')
plt.plot(x,y_predict,'k-', color = 'red', linewidth = 4)
# plt.show()
from sklearn import linear_model
regr = linear_model.LinearRegression()
regr.fit(x.reshape(-1,1), y)
print(regr.coef_, regr.intercept_)
plt.scatter(x, y, color = 'blue')
plt.plot(x, regr.predict(x.reshape(-1,1)), color = 'orange', linewidth = 4)
plt.show()
def lr_by_sklearn():
from sklearn import linear_model
data =np.loadtxt('hw.txt',delimiter='t',skiprows=True)
x = data[:,0]
y = data[:,1]
regr = linear_model.LinearRegression()
regr.fit(x.reshape(-1,1), y)
print(regr.coef_, regr.intercept_)
# import pandas as pd
# data = pd.read_csv('hw.txt', sep='t')
# regr.fit(data['height'].values.reshape(-1,1), data['weight'])
# plt.scatter(data['height'], data['weight'], color = 'blue')
# plt.plot(data['height'], regr.predict(data['height'].values.reshape(-1,1)), color = 'orange', linewidth = 4)
# plt.show()
plt.scatter(x, y, color = 'blue')
plt.plot(x, regr.predict(x.reshape(-1,1)), color = 'orange', linewidth = 4)
plt.show()
if __name__ =='__main__':
Linear_regression()
# lr_by_sklearn()
