天津城建大学运筹学课设报告 导读：就爱阅读网友为您分享以下“天津城建大学运筹学课设报告”的资讯，希望对您有所帮助，感谢您对92的支持! 学 系统工程与运筹学课程设计 设计说明书 市场营销调查问题研究 万博公司生产调运问题研究 家庭轿车综合质量评价体系分析与评价 起止日期：2013年11月21日 至 2013年12月7日 学班成指 生姓名 级 绩 张三 李四 导教师 经济与管理学院 附件二：生产调运问题lingo程序及结果 ................. 15 研究报告 课程设计题目（一）：市场营销调查问题的研究 1问题的提出 某公司开展市场营销调查以了解消费者个性特点、态度以及偏好，现在接

前面所说的数据类型只能用于处理整数。如果我们需要使用小数，就要使用浮点类型（floating-point）。C 提供了三种浮点类型：float, double, 以及 long double。注意，unsigned/signed 不能用于修饰浮点类型。浮点类型可以处理正数，也能处理负数。没有无符号浮点型。

C 标准要求 float 类型至少要能精确表示到小数点后6位。float 一般是

    浮点型变量的声明和初始化与整型变量一样。例如：

浮点型常量有多种写法。其基本形式为：首先写整数部分（可以带符号），接着写小数部分，然后写 e 或者 E，最后再写一个有符号整数。例如：

其中 e 或 E 被称为阶码标志，e 或 E 后面的有符号整数被称为阶码。阶码代表 10 10^N。此外，正号可以省略不写。小数部分也不是必需的，也就是说，5e3 也是正确的。阶码标志和阶码也可以不写，如：13.5。小数点后面，阶码标志之前的那部分整数可以不写（9.E5），小数点之前的整数也可以不写（.96e-8），但是不能同时都不写。例如：

注意：浮点型常量中不能有空格！例如：

浮点型常量默认是 double 类型的。假设 var_f 是 float 类型的变量，如果有以下语句：

那么 9.0 和 3.0 都是 double 类型的常量。它们的乘积也是 double 型的。在进行赋值的时候，这个乘积被转化成 float 类型，然后再赋值给 var_f。

    当然，我们也可以指定浮点型常量的类型。在浮点型常量后面添上 f 或者 F，编译器就会用 float 类型来处理这个常量。例如：1.5f，2.1e6F。在后面添上 l 或者 L 的话，编译器会用 long double 类型来处理这个常量。例如：4.1l，50.2E5L。最好用大写 L，因为小写 l

    C99 新增了一种表示浮点型常量的格式：使用十六进制前缀（0x 或 0X，0 是数字 0，不是字母 o ），用 p 或 P 代替前面所说的 e 或 E，而且阶码代表的是 2 的阶码次方。例如：

等于 2⁵，也就是 512。这个浮点型常量转换成十进制就是：(11 + 1/16 +

注意：并非所有编译器都支持 C99 新增的这种格式！

新增的那种十六进制格式输出，但是并非所有编译器都支持。如果您要输出 long double 类型的浮点数，请用 %Lf， %Le，%La，或者

这必然导致上溢！因为 toobig 无法表示 3.4E38 和 100.0f 的乘积。上溢的后果过去是没有定义的，不过现在 C 规定如果发生上溢，则产生一个表示无穷大的特殊值。因此，toobig 的值最终会变成一个表示无穷大的特殊值。进而，printf 函数会输出类似 inf 或者 infinity 的字眼。

    对一个绝对值非常小的浮点数进行除法，并且导致这个浮点数的精度降低，称之为下溢。打个比方，假设 3.1415e-10 除以 10 后，变成 0.3141e-10，这就是下溢。

    通常，double 是最好的选择，因为其精度较高，而且导致的运行时耗费相对 float 也多不了多少。

Pandas是基于NumPy库的一种解决数据分析任务的工具库

Pandas库纳入了大量模块和一些标准的数据模型，提供了高效的操作大型数据集所需的工具

Pandas库的主要功能有：

创建Series(系列)和DataFrame(数据帧)、索引选取和过滤、算术运算、数据汇总和描述性统计、数据排序和排名、处理缺失值和层次化索引等

系列与NumPy库中的一维数组(array)类似，能保存字符串、Bool值、数字等不同的数据类型

由于精度的问题，这里直接加0.0001可能数值不变，要么转成bin再+1进行处理！

精度问题通常都是b’@\x0b\xff\xff\xff\xff\xff\xff’模式，但是二进制的+1运算貌似就是很难，而且并不知道何时是真的需要+1。那运算上是否可以尝试，嗯… 其实除了网友提到的那个运算，还真没有举出反例的，用随机浮点随机一些反例吧！

平方与开平方都是没问题的，三次方不准确率高达95.8%

总之，开方的是2的次幂是准确的，虽然在256次方会提示数值过大，无法运算之类的，但是在运算之内都是准确的。几个质数偶尔准确率也相当的高。剩下的如上，三次方的准确率。

但是这个结果此时并非如上的\xff模式，甚至说随机出来的很难出现整数，纯粹是次幂结果就是不精确值吧！？

尝试下随机整数，或者顺序整数，看看其结果！

很确信的是1、2、3的三次方都没问题，但是4得3次方是不行了。而其他的未知精确结果的就不知道了。

那假设这里取得随机值是基数

这里不仅出现了ff结尾的，还有fe结尾的。而且小数点后有14、15、16位不等的结尾。如果按照这个规律去对比进位后结果，该怎么说呢还是开始递增结尾+1的思路最简单，例如86结尾的，尝试发现+4有效，顶多简单的循环四次，如果想的太复杂，可能性是一个局限。那么只要修正之前代码中，最末尾精度的问题了！貌似也并不是简单的事情！

回归原题，即便是special的开方，也只能做到如此，例如：

他的下一个值是3.392

3次方结果分别是62.99

还是小的那个更加接近63。其实最关键的是我们并不知道python的基础平方算法。只能说他的结果并不准确，但他的运算速度着实迅速，作为单纯的编程者来说，我们只是要补正误差操作！但是最好的方法就是二进制+1，毕竟判断浮点的最小精度想想都是很困难的，我们要从小数点后多少位想到小数点前多少位。

貌似又很简单，只需要转换成字符串再处理，就简单不过了！

假设一个使用e表示的数字！

这个才是最接近结果的?

所以计算机客观上的表示是.094最接近结果，也并非代码得出的.0933

毕竟几遍如浮点数，他要是结果真的如50vs99，存在吗？即便是

在这个数量级的运算误差，假设单位是1米，夸克的直径量级也不过是1e-18。而且基准单位真的后面这么串0的话，完全可以把基准单位往后设置！

所以最直接的方法就是想办法在二进制上+1！且不说效率是否比纯数学求精度，循环+精度，至少这个很计算机！至于如何实现，很遗憾的是我目前并未找到直接的转二进制方法和二进制加减法的方法。需要自己去写。至于是否有意外情况，未知！

这个操作在numpy中也有，但是效率优秀

我查了下什么是卷积，其实就是对较大数据压缩成较小数据，数据缩小后，处理量和特征都能得到提高，于是搜了下卷积与图像识别。这个也能用在音频识别上

在jupyter中直接返回结果图，相比之前的海龟画图，这个是直接给结果，而海龟是弹出以python进程的窗口，名为python turtle graphics的窗口实现的动态绘图

但是直接执行.py，他同样是python进程的窗口，不过是叫figure 1，且能拖动、放大等操作！

figure 多个窗口，多个图形

jupyter就算没有show也是会显示结果的，但这个结果不知道是否是jupyter的内置功能，即其实并未绘图，而是jupyter自动掉用了绘图并显示。

于是我写了下这个，在jupyter中，显示耗时

但是在.py运行，很明显的感觉到耗时

肯定做了较大的运算，于是jupyter应该是把已有的运算结果直接搬了出来，而非强制运算，这方面在通常变量很好理解，但是在这种绘图结果，只能进行运算后才能切身感受！

也就是image的data，而非image路径，代码保存大小和图像大小一致，至于给我个这东西，不利用浏览器保存功能，怎么复建成一个png图片，我不知道

运行.py，四个图表出现在同一个窗口下，但是每个图表仍可以独立拖动和缩放，不过设置边距仍然是当做一个对象！

作者是国人，目前就职于百度，同时还发现百度的飞桨开源计划

书中做了过多的描述，于是可以看得出，前面都是搬文档，这里是另外撰写的！

全模式 居里/居里夫人/里夫/夫人/1903/年/获/诺贝/诺贝尔/诺贝尔奖/贝尔/奖/时/做/了/精彩/演讲

精确模式 居里夫人/1903/年/获/诺贝尔奖/时/做/了/精彩/演讲

词频——你想文件频率TF-IDF算法进行关键词抽取

结巴.分析.提取标签(待提取文本,权重最大的20个词,不返回关键词权重值,包括指定词性的词)

sentence="艾萨克·牛顿(1643年1月4日——1727年3月31日)爵士，英国皇家学会会长，英国著名的物理学家，百科全书式的“全才”，著有《自然哲学的数学原理》《光学》。"

jieba支持创建自定义分词器

这里的迭代器并不能用list等转化，看来自定义模块可以接收常用函数并定义返回方式的。而for这种方式看来是最通用的！

这个仍然需要用pipe进行安装

书中例子只是个简单的代码，于是我把复杂的之前的plot画图打包了，应该说是编译，但是看来这个代码过于复杂，并没能运行成功而且有59.8MB！

之前一个单纯的抽奖的文字代码，打包后10.3MB，正常运行！但是打开时比较慢，后面允许相对较快！

于是打开优势是没有了，不适合用来制作开袋即食的小工具！

在Python中，用户可以编写具有特定功能的模块，保存到扩展名为.py的文件中。由用户自己编写的模块称为自定义模块。

(1)在pack1文件夹下添加文件__init__.py ？？？我尝试发现这个并非一定要有

(2)分别编写源文件A11.py和模块A12中的程序代码

场景2 调用同层的子目录下

在本场景中，源文件main.py和模块A2所在的包pack2在同一路径

(1)在pack2目录下添加文件__init__.py ？？？这里仍没有显示出必要性

(2)分别编写模块A2和源文件main.py中的程序代码

模块A2中的程序代码：

从上面可以看出的规律：

1、在导入模块的时候，第一档不能出现函数

2、不能只导入pack

最后一个点前必须是pack

这个pack被当做module导入了，此时没有错误，调用时错误，他无法被调用

A不能是func，最终导入不能是pack

使用Turtle绘制表面填充正方体

收尾不必是同一点，会自动以直线连接填充，若只是花了一条线段，则不会填充

2、画笔结束时呈现封闭区域，否则报错，两个封闭区域相交处不填

这段代码在jupyter运行时会不知名的报错一次，再运行才能画出来，直接运行.py没问题！

以上是书中的代码，我觉得挺烦杂的，而且这个交接点的颜色不交叉的样子

turtle是支持浮点的，不过是四舍五入，而书中例子是int截断

还有个问题就是眼镜镜片的折射问题

另外书中的例子看着好麻烦的样子，那最简化写法

如果把红色放在最后面再画，这涉及到的问题就是线条覆盖，turtle就是这样的东西，当然设计合适的话，可以再做一个混合颜色的功能，实现较好的过渡和视觉感。

至于用途，之后探索，但是可能不大适合放在web服务器端，这个运算量过大。

受用NumPy和Matplotlib对股票000001在2018年7月的交易数据进行分析并显示股票收盘价走势图

000001在~的交易数据如下所示：

本案例中调用NumPy和Matplotlib中的相关函数实现了如下功能：

(1)使用NumPy对骨片文件进行处理，需要先将股票交易文件000001_stock01.csv中的不同列数据分别督导多个数组中保存

(2)使用numpy.mean()计算收盘价和成交量的算术平均值

(5)使用numpy.ptp()函数计算股票最高波动范围、股票最低波动范围

# 计算收盘价的加权平均价格(时间越靠近现在，权重越大)

# 你是否觉得这里很奇怪，因为没有原始数据，我是从书上抄的数据，只是一小部分

# 如果目标是个多维数组，如果有axis=0或1，将计算每一组的ptp，否则只计算最大值和最小值得波动

收盘价的算术平均价格： 8.63元

成交量的算数平均值：元

收盘价的加权平均价格： 8.63元

股票最高价： 9.05元

股票最低价： 8.45元

股票最高价波动范围： 0.35

股票最低价波动范围： 0.16

使用Pandas分析股票交易数据

数据同上，不过为了Pandas添加了第一列

相对于NumPy，Pandas具有更方便、功能更强大的数据统计和分析方法

(2)使用NumPy中的np.where()函数结合在Pandas中获取的列数据对股票数据进行分组

(4)调用Pandas中的pd.corr()函数分别对股票数据进行相关性分析

1.股票最高价高于9.00元的天数： 1

3.股票数据的描述性统计：

4.股票数据的相关性分析：

使用图像处理库处理和显示图像

(2)获取图像的数据类型和图像大小

(3)使用imageio库中的imwrite()函数等修改图像颜色、图像大小，裁剪图像。

plt.axis('off') # 如果没有这句，背景色为白，有则按照PNG设置的透明

图像的数据类型： uint8

图像尺寸，通道数： (, 4)