微软亚洲研究院视觉计算组曾在ImageNet计算机视觉识别挑战赛中取得了96.43%的图像识别正确率而一举夺冠。这得益于它前期对海量已分好类的图像大数据中所蕴含的特征模式的深度学习。该深度学习模型如图所示。
输入示例: 2 3 5 4 1 输出示例: [2,3,5,4,1]是[1,2,3,4,5]的出栈序列 |
a = [1, 2, 3, 4, 5]
b = list(map(int, input().split()))
stack = []
i = j = 0
while i < len(a):
stack.append( ① )
i += 1
while len(stack) > 0 and ② :
stack.pop()
j += 1
if len(stack) == 0 and i == j == len(a):
print(b, '是', a, '的出栈序列')
else:
print(b, '不是', a, '的出栈序列')
划线处应填写的语句是( )
a = [[3,1], [2,2], [3,3], [3,4], [17,5], [2,6], [3,-1]]
p = head = 0
while p != -1:
q = p
while q != -1:
t = q
q = a[q][1]
if q != -1 and a[q][0] == a[p][0]:
a[t][1] = a[q][1]
q = t
p = a[p][1]
p = head
while p != -1:
print(a[p][0], end=' ')
p = a[p][1]
q = [1, 2, 3, 4, 5, 6, 7, 8, 9]
f, r = 0, 8
n = int(input())
while r < n:
cur = q[f]
f = f + 1
m = cur % 10
if m == 0:
q.append(cur * 10 + m)
q.append(cur * 10 + m + 1)
r += 2
elif m == 9:
q.append(cur * 10 + m - 1)
q.append(cur * 10 + m)
r += 2
else:
q.append(cur * 10 + m - 1)
q.append(cur * 10 + m)
q.append(cur * 10 + m + 1)
r += 3
对于该程序,下列说法正确的是( )
from microbit import *; import Obloq
#uart串口配置和初始化,并用Obloq连接Wi-Fi,准备发送数据,代码略
while True:
value = pin0.read_analog() # 获取1号温度传感器数据,注意这是模拟值
t = round(value * 330 / 1024, 1) # 将模拟值转换成摄氏温度值
errno, resp = Obloq.get(② , 10000) # 向服务器发送数据
# 根据服务器反馈信息控制执行器进行温控,代码略
sleep(1000 * 5)
若某一时刻传感器获取到的温度值是27℃,它向服务器发送数据时使用的URL是//192.168.113.5/data?id=1&v=27,请将划线处②的语句补充完整。
import sqlite3; from flask import Flask, request, render_template
app = Flask(__name__)
@app.route('/')
def index():
#连接并读取数据库,获取传感器编号为1的所有气温值,用变量result保存,代码略
tmp = result[-1][2] #获取最后一条记录中的气温值,保存在变量tmp中
@app.route('/data', methods=['GET', 'POST'])
def add():
#获取智能终端传输的传感器编号id和气温v的值,并插入到相应数据表中
#最后根据数据库中存储的气温临界值向智能终端发送反馈信息,代码略
if __name__ == '__main__':
app.run(host="192.168.113.5", port="80")
在add()视图函数中,需要将数据插入到数据表中,其操作语句如下:
sql = "Insert Into sensorlog (sensorid, sensorvalue) values ('%s', '%s')" % (id, v)
①cur = db.cursor() ② db.commit()
③db = sqlite3.connect("temp.db") ④cur.execute(sql)
cur.close(); db.close()
那么其中①~④条语句正确的顺序是: 。
图 a | 图 b |
import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_excel("PM2.5.xlsx")
# cities 保存所有地区名称,这里仅演示部分数据
cities = ["安吉县", "淳安县", "慈溪市", "杭州市", "湖州市"]
for city in cities:
dfc = ①
dfc.to_excel(city + ".xlsx", index=False) # 输出文件结果示例如图b所示
那么划线部分语句可以是 ;
df = pd.read_excel("PM2.5.xlsx")
# 删除“地区编码”、“指标名称”、“计量单位”数据列
df = df.drop(["指标名称", "地区编码", "计量单位"], axis= ② )
# 同一个地市取 PM2.5 浓度最高的值
dfg = ③
# 按 PM2.5 的值升序排序
dfg = dfg.sort_values("PM2.5", ascending=True)
# 输出排序后的最后五行结果
print(dfg.tail())
图 c | 图 d |
df2 = pd.concat([dfg.head(5), dfg.tail(5)]) # 合并两个对象成为新的 DataFrame 对象
plt.rcParams['font.sans-serif']=['KaiTi','SimHei','FangSong'] # 设置图表字体
plt.figure(figsize=(8,4))
plt.title("部分县市 PM2.5 浓度对比")
plt.xlabel("PM2.5 浓度值")
plt.bar( , df2["PM2.5"], color="orange")
for i in range(len(df2)):
x = df2.index[i]
y =
# text()方法可以绘制数据标签,语法:text(横坐标,纵坐标,显示内容)
plt.text(x, y, '%d' % y)
例如,在右侧5×5的方阵中可以产生[1,3,4,12,21,234,243,324,342,423,432]共11个数。其中数“234”的产生过程可以是:选择第4行第2列为起点,第一步吃掉2,接着往右走三步吃掉3,再往右走一步穿越到对面的4,吃掉它成为“234”,共五步。其中“1234”或“123”等整数是不可能出现的。
请回答以下问题。
dx = [0, 1, 0, -1] # 模拟贪吃蛇往四个方向游走时行号变化的数组
dy = [1, 0, -1, 0] # 列号变化数组
n = int(input()) # 方阵的大小
a, b = [], []
for i in range(n):
s = input().strip().split() #方阵中的一行数据,“.”号和数字字符都以空格分隔
a.append(s)
def calc(i, j, p):
x, y, res = i, j, 0
if '0' <= a[x][y] <= '9':
res = int(a[x][y])
for i in range(n-1):
x = # 产生新的行号
y = # 产生新的列号(与行号类似),代码略
if '0' <= a[x][y] <= '9':
res = res * 10 + int(a[x][y])
return res
for i in range(n):
for j in range(n):
for k in range(4):
num =
if num > 0:
b.append(num)
print(b) # 输出所有可能能产生的整数(可能会产生重复的整数)
b = [1, 12, 23, 23, 23, 35, 35,146] 输入输出示例: 请输入待查找的整数:23 小于等于23的数共有5个 请输入待查找的整数:31 小于等于31的数共有5个 |
bn = len(b)
for i in range(bn-1):
for j in range( ):
if b[j] > b[j+1]:
b[j], b[j+1] = b[j+1], b[j]
key = int(input("请输入待查找的整数:"))
i, j = 0, bn-1
while i <= j:
m = (i + j) // 2
if :
i = m + 1
else:
j = m - 1
print("小于等于", key, "的数共有", i, "个")