Python课本第九章课后习题选做

9-3 用户 :创建一个名为 User 的类,其中包含属性 first_name 和 last_name ,还有用户简介通常会存储的其他几个属性。在类 User 中定义一个名为 describe_user() 的方法,它打印用户信息摘要;再定义一个名为 greet_user() 的方法,它向用户发出个性化的问候。创建多个表示不同用户的实例,并对每个实例都调用上述两个方法。
class User():

    def __init__(self,first_name,last_name,age):
        self.first_name = first_name
        self.last_name = last_name
        self.age = age

    def describe_user(self):
        print('first_name: '+self.first_name)
        print('last_name: '+self.last_name)
        print('age: '+str(self.age))

    def greet_user(self):
        print('Hello, {} {}.'.format(self.first_name.title(),self.last_name.title()))

user_1 = User('cindy','candy',18)
user_1.describe_user()
user_1.greet_user()
user_2 = User('dandy','dancy',16)
user_2.describe_user()
user_2.greet_user()
first_name: cindy
last_name: candy
age: 18
Hello, Cindy Candy.
first_name: dandy
last_name: dancy
age: 16
Hello, Dandy Dancy.


</

### Python 数据分析与挖掘教材第四章课后习题解答及相关内容 关于《Python数据分析、挖掘与可视化(慕课版 第2版)》一书中的第四章课后习题及其解答,虽然未提供具体目和官方标准答案[^1],可以根据书中涉及的核心知识点推测可能的练习方向以及解决方案。 #### 可能覆盖的知识点 第四章通常会围绕数据预处理展开讨论,包括但不限于以下主: - 缺失值处理方法。 - 异常值检测与修正。 - 特征编码方式(如独热编码 One-Hot Encoding 和标签编码 Label Encoding)。 - 数据标准化与归一化操作。 以下是基于上述假设设计的一些典型编程实践案例: #### 示例:缺失值填充 对于含有空缺项的数据集,可以采用均值填补策略来完成初步清理工作。 ```python import pandas as pd from sklearn.impute import SimpleImputer data = {'A': [1, 2, None, 4], 'B': [None, 5, 6, 7]} df = pd.DataFrame(data) imputer_mean = SimpleImputer(strategy='mean') filled_df = imputer_mean.fit_transform(df) print(pd.DataFrame(filled_df)) ``` #### 示例:异常值剔除逻辑 通过计算四分位距 IQR 来识别并移除极端数值记录。 ```python def remove_outliers(df, column_name): Q1 = df[column_name].quantile(0.25) Q3 = df[column_name].quantile(0.75) IQR = Q3 - Q1 lower_bound = Q1 - 1.5 * IQR upper_bound = Q3 + 1.5 * IQR filtered_data = df[(df[column_name] >= lower_bound) & (df[column_name] <= upper_bound)] return filtered_data example_series = pd.Series([1, 2, 3, 4, 5, 100]) cleaned_series = remove_outliers(example_series.to_frame(), example_series.name) print(cleaned_series) ``` #### 示例:特征转换实现 利用 Pandas 库执行简单的别型变量映射过程演示。 ```python categorical_features = ['Gender'] mapping_dict = {"Male": 0, "Female": 1} sample_categoricals = ["Male", "Female"] mapped_values = list(map(lambda x: mapping_dict.get(x), sample_categoricals)) print(mapped_values) ``` 以上仅作为教学辅助材料展示,并非正式出版物内的确切解法,请参照实际购买书籍获取权威指导。如果需要更详细的解析或者特定问探讨,建议查阅原作者发布的资源链接或联系教育机构寻求帮助。
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