Python基础Day4HW

本文提供了一系列Python基础练习题的解答,包括成绩等级评定、数值限制、点的位置判断、闰年判断及日期计算等。通过这些练习,读者可以加深对Python条件判断和逻辑处理的理解。
x1 = int(input())

# 现在程序中有一个变量x1,输出成绩的等级

def grade(x):

    if x>=80 and x<=100:

        return "A"

    elif x>=60 and x<=79:

        return "B"

    elif x<=50 and x>=0:

        return "C"

    else:

        return "error"

print(grade(x1))





import ast

x, bound1, bound2 = ast.literal_eval(input())

# 现在程序中有三个变量 x, bound1, bound2

#如果x在两个边界之间,则输出x。否则,如果x小于下限,则输出下限,或者如果x大于上限,则输出上限。

def value(x,bound1,bound2):

    if bound1<=bound2:

        r=bound1

        l=bound2

    else:

        r=bound2

        l=bound1

    if x>r and x<l:

        x=x

    elif x<r:

        x=r

    elif x>l:

        x=l

    return x

print(value(x,bound1,bound2))




#判断点是否在以原点为中心,边长为2的正方形内部(包括边界)

import ast

n, m=ast.literal_eval(input())

# 现在程序中有两个变量n, m

def isinner(n,m):

    if n>=-1 and n<=1:

        pass

    else:

        return "False"

    if m>=-1 and m<=1:

        return "True"

    else:

        return "False"

print(isinner(n,m))




x = int(input())

# 现在程序中有一个变量x,判断是否为闰年

#year能够被4整除,但是不能被100整除,则year是闰年

#year能够被400整除,则year是闰年

#数据保证,1582≤year≤2020 且年份为自然数

def isleap(x):

    if x%400==0:

        return "True"

    elif x%4==0 and x%100!=0:

        return"True"

    else:

        return"False"

print(isleap(x))





##输入年份和月份,输出这一年的这一月有多少天。需要考虑闰年

import ast

y, m=ast.literal_eval(input())

# 现在程序中有两个变量y, m,数据保证1583<=y<=2020,1<=m<=12

#365天或者366天,平年有365天,闰年有366天,闰年每隔4年一次。

#平年的2月是28天,闰年2月是29天。

#4月、6月、9月、11月各是30天。 1月、3月、5月、7月、8月、10月、12月各是31天。

def isleap(y):

    if y%400==0:

        return True

    elif y%4==0 and y%100!=0:

        return True

    else:

        return False

   

def days(y,m):

    match mystatus:

        case 4|6|9|11:

            return 30

        case 1|3|5|7|8|10|12:

            return 31

        case 2:

            y=int(isleap(y))

            return y+28

mystatus=m        

print(days(y,m))







### 李宏毅 2021 机器学习 Homework 1 的资料 李宏毅教授的《机器学习》课程在全球范围内广受欢迎,其配套的作业也成为了许多学生和从业者的学习资源。Homework 1 主要围绕线性回归模型展开,涉及数据预处理、特征工程以及模型训练等内容。 #### 数据集介绍 在 Homework 1 中使用的数据集主要来源于空气质量监测数据[^1]。该数据集中包含了多个传感器采集到的不同时间段内的空气污染物浓度以及其他气象因素的信息。通过这些数据,目标是预测特定时间点上的 PM2.5 浓度。 以下是数据加载与初步清理的部分代码示例: ```python import sys import numpy as np import pandas as pd # 加载 CSV 文件并跳过无关列 data = pd.read_csv('hwdata/hw1/train.csv', encoding='big5') data = data.iloc[:, 3:] # 前三列为无意义字段,去除掉 data[data == 'NR'] = 0 # 将缺失值替换为零 raw_data = data.to_numpy() # 转换为 NumPy 数组以便后续操作 ``` 这段代码展示了如何从原始文件中读取数据,并将其转换成适合进一步分析的形式[^2]。 #### 特征提取过程 为了构建有效的输入向量用于训练模型,在完成基本的数据导入之后还需要执行一系列步骤来提取有用的特性。下面是一段关于按月份组织每日采样片段的例子: ```python month_data = {} for month in range(12): sample = np.empty([18, 480]) for day in range(20): sample[:, 24*day : 24*(day+1)] = \ raw_data[18 * (20*month + day) : 18 * (20*month + day + 1), :] month_data[month] = sample ``` 此脚本按照每个月份分别存储每天连续二十四小时的各项指标测量结果[^2]。 #### 进一步优化建议 除了基础的任务实现外,还可以尝试多种方法改进性能,比如调整批量大小(batch size),改变激活函数类型等等。例如增大批次尺寸至更高数值如 `128` 或者甚至更大可以加速收敛速度;而选用 ReLU 替代 sigmoid 则有助于缓解梯度消失现象的发生概率[^3]。 --- ### 总结 综上所述,针对李宏毅老师的 Machine Learning Course - Homework 1 ,我们不仅了解到了具体的编程实践细节还包括了一些可能提升效果的技术手段探讨。希望以上信息能够帮助您更好地理解这份功课的要求及其解决方案思路!
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