浙大Python程序设计(MOOC)习题答案

PTA-浙大版 《Python程序设计》 第四章编程题目及答案 第一题:生成输入数的乘方表 输入一个非负数和正整数n,5<=n<=9,生成一张输入数的乘方表。 a,b = map(float,input().split()) for i in range(int(b) + 1): print("{}**{}={:.2f}".format(a, i, a**i)) 第五题:求分数序列前N项和 本题要求编写程序,计算序列 2/1+3/2+5/3+8/5+... 的前N项之和。注意该序列从第2项起,每一项的分子是前一项分子与分母的和... 阅读详情
AI摘要

该博客提供了浙大Python程序设计(MOOC)的习题答案,涵盖四个章节。包括从键盘输入数据进行计算、输出特定字符串和图形、计算序列和、判断素数、处理矩阵等各类Python编程问题,涉及数学计算、字符串处理、矩阵操作等多方面内容。

章节

第一章

7-1 从键盘输入两个数,求它们的和并输出

a=int(input())
b=int(input())
print(a+b)

7-2 从键盘输入三个数到a,b,c中,按公式值输出

在同一行依次输入三个值a,b,c,用空格分开,输出 b*b-4*a*c的值

a,b,c=input().split()
a,b,c=int(a),int(b),int(c)
print(b*b-4*a*c)

7-3 输出“人生苦短,我学Python”

print("人生苦短,我学Python")

7-4 写字母H

用*编写程序,输出H

for i in range(1,6):
    if i==3:
        print("*****")
    else:
        print("*   *")

第二章

7-1 计算 11 + 12 + 13 + ⋯ + m 11+12+13+\dots+m 11+12+13+⋯+m

输入一个正整数 m ( 20 ≤ m ≤ 100 ) m(20\le m\le100) m(20≤m≤100),计算 11 + 12 + 13 + ⋯ + m 11+12+13+\dots+m 11+12+13+⋯+m的值。
输出格式:
在一行中按照格式 “ s u m = S ” “sum = S” “sum=S”输出对应的和 S S S。

m=int(input())
S=0
for i in range(11,m+1):
    S=S+i
print("sum = {}".format(S))

7-2 计算分段函数

计算下列分段函数的值:
g ( x ) = { 0 x = 0 1 2 x x ! = 0 g(x)=\begin{cases}0\quad x=0\\\frac{1}{2x}\quad x!=0\end{cases} g(x)={ 0x=02x1​x!=0​
输出格式:
在一行中按 “ g ( x ) = r e s u l t ” “g(x) = result” “g(x)=result”的格式输出,其中 x x x与 r e s u l t result result都保留 3 3 3位小数。

x=float(input())
if x!=0:
    result=1/(2*x)
else:
    result=0
print("g({0:.3f}) = {1:.3f}".format(x,result))

7-3 阶梯电价

居民用户电价分为两个“阶梯”:月用电量 50 50 50千瓦时(含 50 50 50千瓦时)以内的,电价为 0.53 0.53 0.53元/千瓦时;超过 50 50 50千瓦时的,超出部分的用电量,电价上调 X X X元/千瓦时。
输入格式:
一行中输入某用户的月用电量(单位:千瓦时)和电价上调的 X X X值(单位:元),中间用空格分开。
输出格式:
在一行中输出该用户应支付的电费(元),结果保留两位小数,格式如:“cost = 应付电费值”。

power,x=input().split()
power=int(power)
x=float(x)
if power<=50:
    cost=0.53*power
else:
    cost=0.53*50+(power-50)*(x+0.53)
print("cost = {:.2f}".format(cost))

7-4 求奇数分之一序列前N项近似和

计算序列的前 N N N项近似和 1 + 1 / 3 + 1 / 5 + ⋯ 1+1/3 + 1/5 + \cdots 1+1/3+1/5+⋯ 输出格式:
在一行中按照 “ s u m ≈ S ” “sum ≈ S” “sum≈S”的格式输出近似和 S S S。 S S S是大于序列和的最小整数

import math
N=int(input())
s=0
for i in range(1,N+1,2):
    a=float(1/i)
    s=s+a
S=math.ceil(s)
print("sum ≈ {}".format(S))

7-5 求交错序列前N项和

计算交错序列的前 N N N项之和 1 − 2 / 3 + 3 / 5 − 4 / 7 + 5 / 9 − 6 / 11 + ⋯ 1-2/3+3/5-4/7+5/9-6/11+\cdots 1−2/3+3/5−4/7+5/9−6/11+⋯

N=int(input())
s=0
for i in range(1,N+1):
    if i%2==1:
        s=s+i/(2*i-1)
    else:
        s=s-i/(2*i-1)
print("{:.3f}".format(s))

7-6 产生每位数字相同的n位数

读入 2 2 2个正整数 A A A和 B B B, 1 ≤ A ≤ 9 , 1 ≤ B ≤ 10 1\le A\le9, 1\le B\le10 1≤A≤9,1≤B≤10,产生数字AA…A,一共B个A

a,b=input().split(",")
a,b=int(a),int(b)
for i in range(1,b+1):
    print(a,end='')

7-7 转换函数使用

输入一个整数和进制,转换成十进制输出

a,b=input().split(",")
a,b=int(a),int(b)
c=(a//10)*b+(a%10)
print(c)

7-8 比较大小

输入 3 3 3个不同整数,这 3 3 3个整数分别对应 3 3 3个字母的ASCII码值,把这 3 3 3个字母按它的ASCII码值从小到大输出。

a,b,c=input().split()
a,b,c=int(a),int(b),int(c)
i,j,k=chr(a),chr(b),chr(c)
if a>b:
    i,j=j,i
if a>c:
    i,k=k<
PTA-MOOC《Python程序设计浙大版》题目集第四章题目及代码答案 8-1 打印图形 (15分) 4-1. 编写程序,输出下面(a)、(b)和(c)图案。 程序压缩后(zip)以文件形式上传! 代码 def a(num): for i in range(1,num+1): print("*"*i) def b(num): for i in range(1,num+1): print(" "*(num-i),end... 阅读详情

相关推荐

PTA-MOOC《Python程序设计浙江大学》拼题题目集第三章编程题题目链接索引

题号 题目 7-1 大于身高的平均值 (10分) 7-2[ 查验身份证 (15分) 7-3 输出字母在字符串中位置索引 (20分) 7-4 查找指定字符 (15分) 7- 5 字符转换 (15分) 7-6 求整数序列中出现次数最多的数 (15分) 7-7 求最大值及其下标 (20分) 7- 8 字符串逆序 (15分) 7- 9 统计大写辅音字母 (1...

weixin_45115928的博客 4287

C语言入门到精通:从翁恺课程到项目实战的完整学习路径

C语言作为计算机编程的基石,其核心在于理解内存管理、指针操作和底层系统交互。通过掌握变量、数据类型、函数和流程控制等基础语法,学习者能够构建稳固的编程心智模型。指针作为C语言的灵魂,是实现高效内存操作和数据结构的關鍵,理解指针与数组、函数参数传递及动态内存分配的原理,是进阶系统编程和嵌入式开发的必备技能。在工程实践中,通过开发通讯录管理、文本词频统计等项目,能深化对文件操作、结构体应用的理解。结合翁恺老师的经典课程,从内存视角剖析语法本质,配合GCC编译器、GDB调试器等工具链的使用,可系统性地跨越从语法学

weixin_34372728的博客 372

数学建模入门指南:从零基础到实战应用的全流程解析

数学建模是一种将现实世界问题转化为数学语言进行分析和求解的方法论,其核心在于通过数学工具构建问题与解决方案之间的桥梁。从基本原理来看,它涉及优化、预测、仿真等多种模型,旨在将复杂系统简化为可计算的数学结构。在技术价值层面,数学建模培养了将模糊问题清晰化、定性判断定量化的能力,这种结构化思维在数据分析、决策支持和算法设计中至关重要。常见的应用场景包括路径规划、销量预测、推荐系统等,这些都需要通过建立数学模型来实现智能决策。本文以Python和MATLAB为例,详细介绍了数学建模的完整流程,包括问题分析、模型建

cong84596496的博客 741

揭秘BI与大数据培训陷阱:从Power BI到Hadoop,如何避开速成套路实现真实成长

商业智能(BI)与大数据开发是当前数据领域的核心方向,涉及从数据可视化到分布式处理的完整技术栈。其原理在于通过BI工具(如Power BI、Quick BI)进行数据分析和展现,并借助Hadoop、Spark等生态处理海量数据,技术价值在于驱动业务决策与优化。在应用场景上,企业需要能结合业务理解进行数据建模、并能搭建维护数据平台的复合型人才。然而,市场上一些培训课程利用‘BI数据工程师’等模糊概念进行包装,课程内容常与真实的企业需求脱节。本文以Power BI和Hadoop集群搭建为例,剖析此类培训在‘实战

weixin_34038293的博客 369

PTA-浙大版 《Python程序设计》 第一章编程题WEEK1

PTA-浙大版 《Python程序设计》部分编程题及答案

Jurio的博客 1855

Python程序设计第五章编程题答案(浙江大学)

中国大学MOOC Python程序设计第五章全部的编程题答案(浙江大学)可以参考一下,后续还会上传其他章节

KNX实战—ETS5_智能开关从零到一的配置全流程

本文详细介绍了使用ETS5软件配置KNX智能开关的完整流程。从创建项目、构建建筑结构,到导入产品数据库、添加并配置开关模块与智能面板,再到设置延时开关、闪烁报警等进阶功能,并深入解析了群组地址的配置与链接方法。最后指导完成项目校验与程序下载,帮助用户实现从零到一的智能灯光基础控制功能配置。

joy55的博客 540

Unity3d实现红外热成像效果

1.将需要在红外图像中高亮的物体设置到图层PostProcessing。 2.新建一个相机CameraHighLight,设置其Culling Mask为PostProcessing,也就是在这个相机中只有PostProcessing图层的物体可见。 3.新建一个RenderTexture,命名为HightLightRt,将CameraHighLight的Target Texture设HightLightRt。 4.新建一个相机Camera2,这个相机用于显示其他物体。 接下来将CameraHigh

zouxin_88的专栏 8327

零中频接收机实战:DC Offset的5种常见解决方案与调试技巧

本文针对零中频接收机中DC Offset这一核心挑战,深入剖析了其产生机理与对信号解调的严重影响。文章从实战角度出发,系统性地介绍了五种解决方案,包括硬件预防、数字域校正、I/Q不平衡联合校正等,并分享了关键的实验室调试与产线测试技巧,旨在帮助射频工程师有效提升接收机性能。

weixin_29234509的博客 395

Excel聚光灯效果终极指南:VBA代码实现与条件格式避坑技巧

本文详细解析了Excel聚光灯效果的实现方法,包括VBA代码优化与条件格式的避坑技巧。通过模块化编程和性能优化技术,帮助用户高效处理大型数据表格,实现自定义高亮显示,提升数据分析和报表阅读体验。

v6b7n8m9q0的博客 456

Qt实现思维导图功能5『纵向分布模式』

思维导图纵向分布模式:模式一

浮生流年的博客 1055

手把手教你学Simulink——基于Simulink的滑模控制器车辆稳定性仿真建模示例

本文详细介绍了基于Simulink的滑模控制器在车辆稳定性控制中的应用。通过建立二自由度车辆动力学模型(含魔术公式轮胎),设计横摆角速度与质心侧偏角滑模控制器,在Simulink中实现直接横摆力矩控制。文章包含完整的建模流程:从参考模型设计、滑模控制器推导(含等效控制和边界层法),到MATLAB参数设定和Simulink模块搭建。通过双移线测试和路面突变场景验证,证明该控制器能在低附着路面(μ=0.3)将横摆角速度误差控制在±5%以内,显著提升车辆稳定性。同时提供了工程实践要点和扩展方向(如高阶滑模、自适应

MHD0815的博客 106

【毕设实战】基于YOLOv8的HRSC2016船舶智能检测系统开发全指南(含可视化UI界面,打造海事领域高分毕设)

亲爱的同学,通过这篇教程,你已经掌握了“基于YOLOv8的HRSC2016微小船只检测系统”从数据集处理、模型训练到Tkinter界面开发的全流程。这个课题既贴合“海事智能化”的产业战略,又涵盖了“目标检测、深度学习、界面开发”等多个毕设评分点,非常适合作为计算机或海事工程专业的毕业设计。在实践中,你可能会遇到“海面背景复杂导致船只漏检”“微小船只识别精度不足”“UI与模型推理同步卡顿”等挑战——别担心,这些都是技术成长的必经之路。

know_F0727的博客 127

DeerFlow 系列教程 第四篇 | Sandbox 沙箱与 Sub-agent 子智能体协作详解

DeerFlow 系列教程第四篇介绍了两个关键子系统:Sandbox 沙箱系统和Sub-agent子智能体协作机制。沙箱系统通过虚拟路径映射、权限白名单、命令审计和容器隔离四重机制,为Agent提供安全的代码执行环境,使其能在隔离环境中执行文件操作和脚本运行。系统采用分层架构设计,包含应用层、工具层、审计层等,核心是定义标准交互接口的抽象基类。虚拟路径系统将Agent操作的虚拟路径映射到实际路径,确保安全性。这些功能使DeerFlow从对话助手进化为能处理复杂任务的Super Agent平台。

weixin_43674738的博客 284

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

下一篇: 凸优化学习笔记
Lillian_j
博客等级 码龄5年 208粉丝 5原创
评论 8
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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