python无聊奥数题

1. python程序设计题!!求大神帮忙解答。急！！！

答案是15621

2. 使用Python的线性回归问题，怎么解决

本文中，我们将进行大量的编程——但在这之前，我们先介绍一下我们今天要解决的实例问题。

1) 预测房子价格

闪电侠是一部由剧作家/制片人Greg Berlanti、Andrew Kreisberg和Geoff Johns创作，由CW电视台播放的美国电视连续剧。它基于DC漫画角色闪电侠（Barry Allen），一个具有超人速度移动能力的装扮奇特的打击犯罪的超级英雄，这个角色是由Robert Kanigher、John Broome和Carmine Infantino创作。它是绿箭侠的衍生作品，存在于同一世界。该剧集的试播篇由Berlanti、Kreisberg和Johns写作，David Nutter执导。该剧集于2014年10月7日在北美首映，成为CW电视台收视率最高的电视节目。

绿箭侠是一部由剧作家/制片人 Greg Berlanti、Marc Guggenheim和Andrew Kreisberg创作的电视连续剧。它基于DC漫画角色绿箭侠，一个由Mort Weisinger和George Papp创作的装扮奇特的犯罪打击战士。它于2012年10月10日在北美首映，与2012年末开始全球播出。主要拍摄于Vancouver、British Columbia、Canada，该系列讲述了亿万花花公子Oliver Queen，由Stephen Amell扮演，被困在敌人的岛屿上五年之后，回到家乡打击犯罪和腐败，成为一名武器是弓箭的神秘义务警员。不像漫画书中，Queen最初没有使用化名”绿箭侠“。

由于这两个节目并列为我最喜爱的电视节目头衔，我一直想知道哪个节目更受其他人欢迎——谁会最终赢得这场收视率之战。 所以让我们写一个程序来预测哪个电视节目会有更多观众。 我们需要一个数据集，给出每一集的观众。幸运地，我从维基网络上得到了这个数据，并整理成一个.csv文件。它如下所示。

闪电侠

闪电侠美国观众数

绿箭侠

绿箭侠美国观众数

1 4.83 1 2.84

2 4.27 2 2.32

3 3.59 3 2.55

4 3.53 4 2.49

5 3.46 5 2.73

6 3.73 6 2.6

7 3.47 7 2.64

8 4.34 8 3.92

9 4.66 9 3.06

观众数以百万为单位。

解决问题的步骤：

首先我们需要把数据转换为X_parameters和Y_parameters，不过这里我们有两个X_parameters和Y_parameters。因此，把他们命名为flash_x_parameter、flash_y_parameter、arrow_x_parameter、arrow_y_parameter吧。然后我们需要把数据拟合为两个不同的线性回归模型——先是闪电侠，然后是绿箭侠。 接着我们需要预测两个电视节目下一集的观众数量。 然后我们可以比较结果，推测哪个节目会有更多观众。

步骤1

导入我们的程序包：

Python

1

2

3

4

5

6

7

# Required Packages

import csv

import sys

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn import datasets, linear_model

步骤2

写一个函数，把我们的数据集作为输入，返回flash_x_parameter、flash_y_parameter、arrow_x_parameter、arrow_y_parameter values。

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

# Function to get data

def get_data(file_name):

data = pd.read_csv(file_name)

flash_x_parameter = []

flash_y_parameter = []

arrow_x_parameter = []

arrow_y_parameter = []

for x1,y1,x2,y2 in zip(data['flash_episode_number'],data['flash_us_viewers'],data['arrow_episode_number'],data['arrow_us_viewers']):

flash_x_parameter.append([float(x1)])

flash_y_parameter.append(float(y1))

arrow_x_parameter.append([float(x2)])

arrow_y_parameter.append(float(y2))

return flash_x_parameter,flash_y_parameter,arrow_x_parameter,arrow_y_parameter

现在我们有了我们的参数，来写一个函数，用上面这些参数作为输入，给出一个输出，预测哪个节目会有更多观众。

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

# Function to know which Tv show will have more viewers

def more_viewers(x1,y1,x2,y2):

regr1 = linear_model.LinearRegression()

regr1.fit(x1, y1)

predicted_value1 = regr1.predict(9)

print predicted_value1

regr2 = linear_model.LinearRegression()

regr2.fit(x2, y2)

predicted_value2 = regr2.predict(9)

#print predicted_value1

#print predicted_value2

if predicted_value1 > predicted_value2:

print "The Flash Tv Show will have more viewers for next week"

else:

print "Arrow Tv Show will have more viewers for next week"

把所有东西写在一个文件中。打开你的编辑器，把它命名为prediction.py，复制下面的代码到prediction.py中。

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

# Required Packages

import csv

import sys

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn import datasets, linear_model

# Function to get data

def get_data(file_name):

data = pd.read_csv(file_name)

flash_x_parameter = []

flash_y_parameter = []

arrow_x_parameter = []

arrow_y_parameter = []

for x1,y1,x2,y2 in zip(data['flash_episode_number'],data['flash_us_viewers'],data['arrow_episode_number'],data['arrow_us_viewers']):

flash_x_parameter.append([float(x1)])

flash_y_parameter.append(float(y1))

arrow_x_parameter.append([float(x2)])

arrow_y_parameter.append(float(y2))

return flash_x_parameter,flash_y_parameter,arrow_x_parameter,arrow_y_parameter

# Function to know which Tv show will have more viewers

def more_viewers(x1,y1,x2,y2):

regr1 = linear_model.LinearRegression()

regr1.fit(x1, y1)

predicted_value1 = regr1.predict(9)

print predicted_value1

regr2 = linear_model.LinearRegression()

regr2.fit(x2, y2)

predicted_value2 = regr2.predict(9)

#print predicted_value1

#print predicted_value2

if predicted_value1 > predicted_value2:

print "The Flash Tv Show will have more viewers for next week"

else:

print "Arrow Tv Show will have more viewers for next week"

x1,y1,x2,y2 = get_data('input_data.csv')

#print x1,y1,x2,y2

more_viewers(x1,y1,x2,y2)

可能你能猜出哪个节目会有更多观众——但运行一下这个程序看看你猜的对不对。

3) 替换数据集中的缺失值

有时候，我们会遇到需要分析包含有缺失值的数据的情况。有些人会把这些缺失值舍去，接着分析；有些人会用最大值、最小值或平均值替换他们。平均值是三者中最好的，但可以用线性回归来有效地替换那些缺失值。

这种方法差不多像这样进行。

首先我们找到我们要替换那一列里的缺失值，并找出缺失值依赖于其他列的哪些数据。把缺失值那一列作为Y_parameters，把缺失值更依赖的那些列作为X_parameters，并把这些数据拟合为线性回归模型。现在就可以用缺失值更依赖的那些列预测缺失的那一列。

一旦这个过程完成了，我们就得到了没有任何缺失值的数据，供我们自由地分析数据。

为了练习，我会把这个问题留给你，所以请从网上获取一些缺失值数据，解决这个问题。一旦你完成了请留下你的评论。我很想看看你的结果。

个人小笔记：

我想分享我个人的数据挖掘经历。记得在我的数据挖掘引论课程上，教师开始很慢，解释了一些数据挖掘可以应用的领域以及一些基本概念。然后突然地，难度迅速上升。这令我的一些同学感到非常沮丧，被这个课程吓到，终于扼杀了他们对数据挖掘的兴趣。所以我想避免在我的博客文章中这样做。我想让事情更轻松随意。因此我尝试用有趣的例子，来使读者更舒服地学习，而不是感到无聊或被吓到。

谢谢读到这里——请在评论框里留下你的问题或建议，我很乐意回复你。

3. 会Python和C++，想无聊的时候做做安卓和iOS还有Windows phone开发，那就得去再

语言相通的地方很多，建议不要去学那么多，做应用现在做的是精致，不是简单的会做，如果很有兴趣，建议深入了解1门，做到大师水平。“伤其十指，不如断其一指”

4. 怎么用最短时间高效而踏实地学习 Python

不管学习什么新的东西，效率最低但是又不可或缺的环节就是看教科书了。虽然看书的过程可能会很无聊，但是过一遍书至少能对整个知识框架有个大体的把
握。我最早知道 Python 还是在《黑客与画家》这本书中看到的，书里面有一章节是讲编程语言的，作者很推荐把 python
作为学习编程的入门语言。我当时是把《简明 Python 教程》给过了一边，后来又看了一遍《深入python》，这里特别推荐《深入
Python》，除了介绍 python 的基本特性之外，还介绍了诸如函数编程、正则表达式、处理 HTML 和
XML等高级用法。除了看书，上公开课也是挺不错的，视频教学本来就比自己啃教科书有意思，而且完成课程作业也能锻炼动手编程能力。我上过两门不错的公开
课，一门是莱斯大学在 Coursera 上开的《Python交互式编程导论》，一边学 python，一边写些小游戏，肯定不会觉得无聊；另一门就是
MIT 在 edX 上开的《计算机科学及python编程导论》，它是 MIT
edX系列课程（XSeries）中的第一课，系列课程共两门，除了这门课以外还有《计算思维及数据科学导论》，不过第二门就没有上过了。
《简明 Python 教程》
《深入 Python》
《Python交互式编程导论》
《计算机科学及python编程导论》

5. python django学的很迷茫怎么办

很多程序员，在学习一门新技术的时候，都会陷入像题主你这样迷茫的状态。我也一样。而且不止陷入一次两次。比如学习新的框架的时候，学习新的语言的时候，学习移动开发的时候。

这事儿多了以后，我就在想。不对，肯定有哪里不对，看着StackOverflow也好，Github也好，上面那么多的高手，回答各种问题。而很多人居然还是在校的学生。我有种感觉，这肯定是我的方法出了问题，肯定是在某个很深很深的根源上出了问题。大家都是人，一天三餐吃喝拉撒，学生虽然自由时间多一些，但是我们毕竟也干了这么多年的程序员。新东西每天都在往出冒，不可能有人能那么快得全部掌握。而现实是确实出一种新技术，瞬间一堆高手就冒了出来。这事儿，有问题。

于是我就开始找问题的根源。其实这事儿没这么复杂，只要静下心来，不要看到一个新技术就急慌慌的去学，很快就能反映过来。根源其实就是两点：

1. 计算机技术的底层原理从来没有变过。
2. 任何一门新技术都是人为写成的。

这是我在迷茫了N次后，静下心来，制造出的自己在技术海洋上的指南针。对不对好不好不敢说，大家批判这看吧。

在学习任何一门新技术新框架新语言时，我会先把这两条引用到整个学习过程中去。

1. 计算机的底层原理从来没有变过。
网络需要通讯原理，编程需要数据结构与算法。一个列表的排序不管你是JAVA是C是PYTHON，哪怕你调用的函数名字千差万别，最后的算法其实疏通同归。你大可不去查文档自己写一个出来。一个一个网页上得表单，不管哪个框架哪个语言哪个MVC，最后都要归于一个HTTP的POST，最后都要连接上数据库，写进去存起来。

这就是原理不变。你要先把这个道理时时刻刻的记在心里。当遇到看不懂的东西，迷茫的时候，去想想这个函数到底做了什么，然后从那个不变得原理反推回来，大部分时候你会发现很多新技术不过是早已有的技术的重组与包装而已。

2. 任何一门新技术都是人为写成的。
这里的新技术主要指的是目前百花齐放的各种框架啊库啊类啊语言啊一类的。一开始我也很很多人一样，觉得哇好牛好酷好高大上。但是慢慢的，我有一种被欺骗的感觉，这种感觉类似于某类产品持续的营销，今天我们有这个口味，明天我们有哪个口味。区别只是一个加了蜂蜜一个没加。

因此在总结了第一个‘原理不变‘之后，很自然的我推出了第二个’人为写成‘。意思是不管看起来多么新潮，多么高大上的语言，它首先要遵循第一条原理不变的道理。而如果在使用它的过程中，发现了某些有违第一条的感觉函数，方法，逻辑。那么百分之百这个函数方法逻辑只是做了人为的包装而已。去看文档，不要纠结为什么，作者当时可能脑袋进水，不要跟着他一起跳坑。

简单说，什么Django, Flask, Web.py，CSS, HTML5, ...别被那些炫名词的给洗脑了。原理原理原理，本质本质本质！不要诚惶诚恐，就当它是烂泥巴搓圆弄扁踩两脚，抱着这种心态来学才对。

简单解释了一下我草草归纳的两条规律。回到答主的问题上来。

你的第一个问题是我该干什么？很简单，做第一个网站，做第二个网站，做第三个网站。做网站做吐了就去做做手机APP，做的无聊的就去玩玩爬虫。记得把你所有写得东西都扔到GITHUB上去，每天在SO上答问题问问题。就这样。

不要做到完美。记小时候玩泥巴么？就那么玩。堆个城堡起来，踢两脚，扔一边儿，再堆一个长城起来，再扔一边儿。玩的时候时刻记得我说的那两条规律。

2.在实际工作中，python工程师工作到底是做哪一块的？（尽可能的详细点）
亲，请先找到工作。

3.如果从事django开发，还需要哪些技能？要学前端么？

你学的不是Django开发，你学的应该是计算机科学中，网络应用方向的一部分。这才应该是学什么Php网站开发，Python开发真正应该叫的名字。 Django只是你工具箱里的一个工具而已，比方说它是把锯子。这个锯子的牌子叫做Django. 其他生产锯子的厂家包括但不限于Php, Flask, Java, Go....但是他们的本质都是锯子。都可以做一样的事情。有的厂家在锯子上安了个小手电，于是它的牌子的锯子也许多了一些功能。这就是框架与框架的区别。

所以，你需要的不是Django开发的技能，你需要的是网络开发与管理的技能。如果题主专注于做网站的话，相信我，数据库数据库数据库！一个设计良好，结构合理的数据库，是任何优秀网站的前提。

6. 大家知道这个少儿编程python真的适合孩子来学习吗学习方式是什么样的啊

少儿编程 Python是一种计算机程序设计语言也是人工智能时代的语言，初的时候是被设计用于编写自动化脚本，但是现在随着版本的不断更新以及其他功能的添加，现在 Python已经被广泛的应用于ー些大型开发上面。 Python作为少儿学习编程必须学习的课程之一，具有相当重要的作用。

Python被应用在人工智能、科学计算、大数据、金融领域、系统运维、图形处理、文本处理、黑客编写、爬虫编写等广泛领域。

青少儿为什么要学 Python编程？

因为编程在未来可能是一项生存的基本技能，就像驾驶，英语一样，很常见，很常用。可青少年为什么要学习 Python编程呢?因为以下几点原因

1、Python更好

玩是孩子们的天性，其实也是人类的天性，只不过成年人和孩子们的玩法不同罢了，但归根到底，大家都喜欢玩，更有意思的玩，好在加点创造是每个孩子的梦想，甚至是成年人的梦想，少我小时候曾经梦想能制作宇宙飞船，去遨游太空。而 Python，对极了，支持物联网等嵌入式开发，而且方法简单易学。不信网络搜搜树梅派， Arino等科学套件，做个机器人实现自己的梦想，没问题。

2、入门难度低

对于任何一个没有基础的人来说，编程都不容易，特别是没有一点数理基础的朋友，学好很难，但 Python语言语法结构简单，与自然语言更接近，学起来更容易。

3、江湖地位

Python就如同编程语言的中的江湖侠客，自由兔费，门徒广泛，招式繁多，怎么讲呢，就像金庸笔下的各位身怀绝技的大侠一样，能容纳各个门派，也就是说 Python类库众多，在 Python的世界里，解决问题的方法多，因为很多人都在用，你可以很容易找到类似问题的解决办法化为己用。

4、学习上的要求

如果高考真的加入信息技术编程，你以为还是会选C语言?out了，如果真有这么，也许很快，哪这么高考编程语言，一定是 Python。

5、语法结构

Python是一种强调编程卷面的语言，对字体格式要求尤为严格，还记得自己小时候学习语文的时候先要练习写字一样，学习编程，先练好编程语言卷面的问题。

6、Python更有“钱”途

Python在流行编程语言榜的名列前四，且还在高速增长。看吧，现在人工智能如火如茶，大多数你能叫出名字的人工智能应用都是Python写的，你信不?用 Python的公司多，产品多，应用更多，未来的职业当然也多对吧。

可以说现在 Python编程的含金量比较高，虽然学习难度较大但是不管是在竞赛中还是在日常生活中少儿Python编程的应用都十分的广泛，因此少儿 Python编程的学习很重要。

7. 怎么用最短的时间高效而踏实的学Python

不管学习什么新的东西，效率最低但是又不可或缺的环节就是看教科书了。虽然看书的过程可能会很无聊，但是过一遍书至少能对整个知识框架有个大体的把握。我最早知道 Python 还是在《黑客与画家》这本书中看到的，书里面有一章节是讲编程语言的，作者很推荐把 python 作为学习编程的入门语言。我当时是把《简明 Python 教程》给过了一边，后来又看了一遍《深入python》，这里特别推荐《深入 Python》，除了介绍 python 的基本特性之外，还介绍了诸如函数编程、正则表达式、处理 HTML 和 XML等高级用法。除了看书，上公开课也是挺不错的，视频教学本来就比自己啃教科书有意思，而且完成课程作业也能锻炼动手编程能力。我上过两门不错的公开课，一门是莱斯大学在 Coursera 上开的《Python交互式编程导论》，一边学 python，一边写些小游戏，肯定不会觉得无聊；另一门就是 MIT 在 edX 上开的《计算机科学及python编程导论》，它是 MIT edX系列课程（XSeries）中的第一课，系列课程共两门，除了这门课以外还有《计算思维及数据科学导论》，不过第二门就没有上过了。

《简明 Python 教程》
《深入 Python》
《Python交互式编程导论》
《计算机科学及python编程导论》

8. 五年级下册奥数题请高手解答一下啊谢谢啊！！！

解：设自然数为s，则
（s-1）/7+（s-2）/8+（s-3）/9=570
即：72（s-1）+63（s-2）+56（s-3）=7*8*9*570
（72+63+56）s=7*8*9*570+72+126+168
191s=287646
∴s=1506

9. python爬虫下载缓慢

维持一个你想要爬的url（图片、视频啥的）队列，然后多线程处理。

10. 看完廖雪峰的python，但是感觉自己掌握不扎实，不知道该怎么做

python感觉自己掌握不扎实，不知道该怎么做
不管学习什么新的东西，效率最低但是又不可或缺的环节就是看教科书了。虽然看书的过程可能会很无聊，但是过一遍书至少能对整个知识框架有个大体的把握。我最早知道 Python 还是在《黑客与画家》这本书中看到的，书里面有一章节是讲编程语言的，作者很推荐把 python 作为学习编程的入门语言。我当时是把《简明 Python 教程》给过了一边，后来又看了一遍《深入python》，这里特别推荐《深入 Python》，除了介绍 python 的基本特性之外，还介绍了诸如函数编程、正则表达式、处理 HTML 和 XML等高级用法。除了看书，上公开课也是挺不错的，视频教学本来就比自己啃教科书有意思，而且完成课程作业也能锻炼动手编程能力。我上过两门不错的公开课，一门是莱斯大学在 Coursera 上开的《Python交互式编程导论》，一边学 python，一边写些小游戏，肯定不会觉得无聊；另一门就是 MIT 在 edX 上开的《计算机科学及python编程导论》，它是 MIT edX系列课程（XSeries）中的第一课，系列课程共两门，除了这门课以外还有《计算思维及数据科学导论》，不过第二门就没有上过了。

《简明 Python 教程》
《深入 Python》
《Python交互式编程导论》
《计算机科学及python编程导论》

另外，我和题主的情况有点像，也不是学计算机专业的，并且同样对自己的专业不感兴趣，以后也是想从事与数据科学相关的工作。我目前的状况都是在自学，上公开课，看教科书，跟大牛们的技术博客。