### 关于头歌实践平台 Educoder Python 练习八 一维列表教程或示例代码 在 Educoder 平台上，Python 的练习通常围绕基础编程概念展开，例如列表操作、条件判断、循环等。以下是一些关于一维列表的基本操作和解决方案的示例代码，这些内容可以帮助理解并完成相关练习。 #### 示例代码：一维列表的基础操作 ```python # 创建一个一维列表 my_list = [1, 2, 3, 4, 5] # 遍历列表中的元素 for item in my_list: print(item) # 计算列表中所有元素的总和 total_sum = sum(my_list) print(f"列表总和: {total_sum}") # 找出列表中的最大值和最小值 max_value = max(my_list) min_value = min(my_list) print(f"最大值: {max_value}, 最小值: {min_value}") ``` #### 示例代码：过滤列表中的大写字母[^4] ```python # 输入一个字符串列表 input_list = ['A', 'b', 'C', 'd', 'E'] # 过滤出所有的大写字母 uppercase_letters = [char for char in input_list if char.isupper()] print(uppercase_letters) ``` #### 示例代码：筛选绩效高于某个值的数据 ```python import numpy as np # 定义绩效数据 performance = np.array([3.25, 3.5, 3.75, 3.5, 3.25, 3.75]) # 筛选出绩效高于3.5的数据 filtered_data = performance[performance > 3.5] print(f"绩效高于3.5的数据: {filtered_data}") # 筛选出绩效高于3.25且低于4的数据 filtered_data_2 = performance[(performance > 3.25) & (performance < 4)] print(f"绩效高于3.25且低于4的数据: {filtered_data_2}") ``` #### 示例代码：将 Python 列表转换为 NumPy 数组[^3] ```python import numpy as np # 定义一个 Python 列表 python_list = [2, 3, 4] # 将列表转换为 NumPy 数组 numpy_array = np.array(python_list) # 打印 NumPy 数组 print(numpy_array) ``` #### 示例代码：Turtle 图形绘制[^1] 虽然与一维列表无直接关系，但 Turtle 图形绘制是 Educoder 平台上的一个重要主题。以下是简单的 Turtle 绘制代码： ```python import turtle # 创建画布和海龟对象 screen = turtle.Screen() t = turtle.Turtle() # 移动海龟绘制正方形 for _ in range(4): t.forward(100) t.right(90) # 关闭画布 screen.mainloop() ``` #### 示例代码：线性回归模型实现[^2] 以下是一个简单的线性回归模型实现，用于预测学生分数： ```python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression # 构建数据集 examDict = { '学习时间': [0.50, 0.75, 1.00, 1.25, 1.50, 1.75, 1.75, 2.00, 2.25, 2.50, 2.75, 3.00, 3.25, 3.50, 4.00, 4.25, 4.50, 4.75, 5.00, 5.50], '分数': [10, 22, 13, 43, 20, 22, 33, 50, 62, 48, 55, 75, 62, 73, 81, 76, 64, 82, 90, 93] } examDf = pd.DataFrame(examDict) # 提取特征和标签 X = examDf[['学习时间']] y = examDf['分数'] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 训练模型 model = LinearRegression() model.fit(X_train, y_train) # 模型评估 score = model.score(X_test, y_test) print(f"模型评分: {score}") ``` ---