Python实验报告

原创于 2026-04-04 12:07:46 发布 · 481 阅读

10 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#python #开发语言

Python 人工智能基础综合实验（学生版 .ipynb 专用）

实验报告名称：学号_24计科x班_姓名_Python科学计算与机器学习实验报告

一、实验基本信息

课程名称：Python程序设计 / 人工智能基础
实验项目：NumPy、Sklearn、路径与CSV数据综合实验
实验环境：Jupyter Notebook、Python 3.x、numpy、scikit-learn、pandas
实验日期：2026年
姓名：__________ 学号：__________ 班级：24计科x班

二、实验名称

Python 科学计算库、机器学习库与文件数据处理综合实操

三、实验要求

在本 .ipynb 文件内按模块顺序完成所有代码，每个任务单独一个代码单元格。
代码必须运行成功，输出结果清晰，关键代码行添加中文注释。
严格按照题目要求完成，不得随意修改题目内容。
实验结束后，填写实验心得（不少于100字）。
提交文件：学号_24计科x班_姓名_实验报告.ipynb。

四、实验准备

在下面单元格运行，安装并导入所需库：

# 实验准备：导入所需库
import numpy as np
import os
from pathlib import Path
import pandas as pd
from sklearn import datasets
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, classification_report

# 打印版本信息
print("NumPy 版本:", np.__version__)
print("Pandas 版本:", pd.__version__)

五、实验任务（4 模块 × 4 任务，共 16 个任务）

模块一：NumPy 科学计算库使用（4 任务）

任务 1-1：创建多种 NumPy 数组

要求：

用 np.array 创建一维数组
用 np.arange 创建 0~19 的一维数组
用 np.zeros 创建 3 行 4 列全 0 数组
用 np.ones 创建 2 行 5 列全 1 数组
打印所有数组

# ========== 任务 1-1 代码区 ==========
# 1. np.array
arr1 = 

# 2. np.arange
arr2 = 

# 3. np.zeros
arr3 = 

# 4. np.ones
arr4 =

任务 1-2：数组索引与切片

给定二维数组：

arr = np.array([[1,2,3,4],
                [5,6,7,8],
                [9,10,11,12]])

要求：

取第 0 行第 1 列元素
取第 2 行所有元素
取所有行的第 2 列
切片取前 2 行、前 3 列

# ========== 任务 1-2 代码区 ==========
arr = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

# 1. 第0行第1列

# 2. 第2行全部

# 3. 所有行第2列

# 4. 前2行前3列

任务 1-3：数组运算

要求：

创建两个相同形状数组，做加减乘除运算
计算数组所有元素的和、均值、最大值、标准差
对数组进行转置（.T）

# ========== 任务 1-3 代码区 ==========
a = np.array([[1,2],[3,4]])
b = np.array([[5,6],[7,8]])

# 加减乘除

# 和、均值、最大值、标准差

# 转置

任务 1-4：数组形状修改与去重

要求：

将一维数组 np.arange(12) 改为 3×4 形状
使用 .ravel() 展平数组
对数组 [2,3,2,3,1,3,3,1] 去重并统计每个数字出现次数

# ========== 任务 1-4 代码区 ==========
# 1. reshape

# 2. ravel

# 3. 去重与统计次数
arr = np.array([2,3,2,3,1,3,3,1])

模块二：Sklearn 机器学习库基础使用（4 任务）

任务 2-1：加载内置数据集 iris

要求：

加载鸢尾花数据集
打印数据特征、标签、形状
打印前 5 行数据

# ========== 任务 2-1 代码区 ==========
from sklearn.datasets import load_iris
iris = load_iris()

任务 2-2：数据标准化 StandardScaler

要求：

对 iris 数据进行标准化
打印标准化前、后各 3 行数据对比

# ========== 任务 2-2 代码区 ==========
from sklearn.preprocessing import StandardScaler

任务 2-3：KNN 分类模型训练

要求：

使用 KNeighborsClassifier 创建模型
用标准化后的数据训练模型
输出模型在训练集上的评分

# ========== 任务 2-3 代码区 ==========
from sklearn.neighbors import KNeighborsClassifier

任务 2-4：模型预测与评估

要求：

用训练好的模型对前 10 个样本预测
输出预测标签与真实标签
输出准确率

# ========== 任务 2-4 代码区 ==========

模块三：文件路径操作（os + pathlib）（4 任务）

任务 3-1：os 模块获取当前路径

要求：

打印当前工作目录
拼接路径：当前目录 + “data” + “test.csv”

# ========== 任务 3-1 代码区 ==========
import os

任务 3-2：os 路径判断

要求：

判断路径是否存在
判断是否是文件
判断是否是文件夹

# ========== 任务 3-2 代码区 ==========

任务 3-3：pathlib 路径操作

要求：

使用 Path.cwd() 获取当前路径
用 / 拼接路径
获取文件名、后缀、父目录

# ========== 任务 3-3 代码区 ==========
from pathlib import Path

任务 3-4：创建文件夹 + 路径综合

要求：

在当前目录创建 data 文件夹（判断是否存在）
输出 data 文件夹的绝对路径

# ========== 任务 3-4 代码区 ==========

模块四：CSV 读取 + 数据划分 + 模型训练（4 任务）

任务 4-1：生成并读取 CSV 文件

要求：

用 pandas 创建简单数据框并保存为 student.csv
读取 CSV，打印前 5 行、信息、形状

# ========== 任务 4-1 代码区 ==========
import pandas as pd

# 生成示例数据并保存为 csv

# 读取

任务 4-2：数据集划分 train_test_split

要求：

以 iris 为例，划分特征与标签
按 7:3 划分训练集、测试集
输出训练/测试集形状

# ========== 任务 4-2 代码区 ==========
from sklearn.model_selection import train_test_split

任务 4-3：数据预处理（标准化）

要求：

对训练集、测试集特征标准化
打印标准化后训练集前 3 行

# ========== 任务 4-3 代码区 ==========

任务 4-4：模型训练、预测、评估

要求：

使用 KNN 训练
在测试集上预测
输出准确率、分类报告

# ========== 任务 4-4 代码区 ==========

六、实验心得（必写，Markdown 单元格）

本次实验收获：
1.
2.
3.

遇到的问题与解决方法：
1.
2.

对 NumPy、Sklearn、文件处理的理解：

我可以直接把上面内容生成可直接发给学生的完整 .ipynb 文件源码，学生打开就能写代码，你要我现在生成吗？