大数据分析实践(理论)试卷(A卷)及答案.docx

《大数据分析实践(理论)试卷(A卷)及答案.docx》由会员分享，可在线阅读，更多相关《大数据分析实践(理论)试卷(A卷)及答案.docx（25页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、大数据分析实践（理论）试卷（A卷）一、数据结构基础题（本大题共1小题， 每题14分，共14分）得分评卷人在Python编程计算应用中，首先要解决的一个问题是数据的表示和存储问题。数值和文本是最常见 的两种数据表现形式，在Python中对应的数据类型为数值和字符串。如何对这些数据进行存储及高 效运算，那么是数据结构设计的问题。Python中常见的数据结构有列表、元组、集合、字典、数组、 序列、数据框，请分别给出这些数据结构的Python定义语句，并选择某些数据结构举例说明它们之 间的联系。Ll=l,2, 3,4, 5,6#列表tl=（l, 2, 3, 4, 6）#元组J1 =l,h,2,3,9#

2、 集合dl=l:，h,2:l,2/k,3:9# 字典zl= numpy. ones （3, 3）并数组sl=pd. Series（l,-2, 2. 3, hq ） #序列数据框的创立：data=a : 2, 2, np nan, 5, 6, b : kl kl kl , np. nan, ? kl c : 4, 6, 5, np. na n, 6, d : 7, 9, np. nan, 9, 8 df=pd. DataFrame（data）联系（列举两至三个即可）：1 .数组可以嵌套列表.数据框的创立基于字典，利用Pandas库中的DataFrame函数，可以创立数据框。其中字典的键 转化为列

3、名，字典的值转化为列值，而索引为默认值，即从0开始从小到大排列。得分评卷入二、数据可视化基础题（本大题共1小题，每题14分，共14分）数据可视化是数据分析与挖掘中一个非常重要的任务。数据可视化是通过各种类型的图像来展现 数据的分析结果或者分析过程，从而提高分析的效率和可读性。利用Python的Matplotlib包中的tf.keras.layers.Dense(64, activation=,relu,),tf.keras.layers.Dense( 1) )#自定义RMSprop优化器，学习率是0.001optimizer 二 tf.keras.optimizers.RMSprop(O.OO

4、l)model pile(loss=,mse #损失用 mseoptimizer=optimizer, metrics=,mae, !mse) return model#模型实例化model = build_model()卷积神经网络Python调用语句：#CNN模型构建model = models.Sequential()#卷积层#input_shape表示卷积层输入、filter:卷积核大小#stride:卷积步长#padding:控制卷积核处理边界的策略，激活函数用relumodel.add(layers.Conv2D(input_shape=(32, 32, 3), filters=3

5、2, kernel_size=(3,3), strides=(l,l), padding=valid：activation二Telu) #32个卷积核,卷积核大小3X3# 池化层，最大池化抽样，窗口是2*2model.add(layers.MaxPool2D(pooI_size=(2,2)# 卷积层，64个卷积核，卷积核大小3X3model.add(layers.Conv2D(filters=64,kemel_size=(3,3), strides=(l,l),padding=valid,activation二Telu)# 池化层，窗口是2*2model.add(layers.MaxPool2

6、D(pool_size=(2,2)# 卷积层，64个卷积核，卷积核大小3X3model.add(layers.Conv2D(filters=64, kemel_size=(3,3), strides=(l,l), padding=,valid,activation=,relu,)# 全连接层、flatten)将卷积和池化后提取的特征摊平后输入全连接网络，model.add(layers.Flatten()model.add(layers.Dense(128, activation二Telu)# 分类层-输出10个种类分类model.add(layers.Dense( 10)循环神经网络Pyth

7、on调用语句：model = Sequential。# 嵌入层model. add(Embedding(max_features,#词汇表大小中收录单词数量，也就是嵌入层矩阵的行数128,#每个单词的维度，也就是嵌入层矩阵的列数input_length=maxlen) # 一篇文本的长度文本单词转换成向量之后，就可以搭建循环神经网络了，本例用tensorflow框架下的LSTM () 方法实现，构建128层的LSTM层，输出层用Dense。方法，由于是二分类问题，输出的是1, 例如代码如下：#定义LSTM隐藏层model.add(LSTM( 128, dropout=0.2, recurren

8、t_dropout=0.2)#模型输出层得分评卷人model.add(Dense( 1, activation=sigmoid*)五、综合应用题(本大题共1小题，每题30分，共30分)请你选择某个研究课题或者正在进行的研究课题或者大作业，结合本课程的内容进行课程作品设计。(选择某个作业或者课程设计或者大赛相关案例进行设计即可，但是不能选用教材上的案例，以下以上市公司百度新闻情感分析为例） 作品内容包括：1）GUI可视化界面设计，要求界面布局合理、美观，同时具有较好的可读性（10分）。上市公司百度新闻情感分析首先下载软件PyCharm并安装，然后在PyCharm中配置PyQt5的环境，点击Fil

9、e选择Settings, 在Tools添加并设置QtDesigner和PyUCI两个工具,如图5.2所示。QtDesigner设置,如图5.3 所示；PyUCI设置，如图5.4所示。El SettingsTools External Tools J External ToolsJ QtDesigner PyUCI Appearance & Behavior KeymapEditor Plugins Version Control哺Project: untitled哂 Build, Execution, Deployment Languages & Frameworks ToolsWeb Bro

10、wsersExternal ToolsTerminal哂A Diff & Merge图 5.2 External Tools 工具设置 Edit ToolName:Name:QtDesignerGroup:External ToolsDescription: Advanced OptionsOKOKCancel图 5.3 QtDesigner 设置 Edit ToolName:PyUCIGroup:Description:External ToolsTool SettingsProgram:C:ProgramDataAnaconda3python.exeArguments:-m PyQt5.

11、uic. pyuic $FileName$ -o $FileNameWithoutExtension$. pyWorking directory:$FileDir$ Advanced OptionsOKOKCancel图5.4 PyUCI设置由此，PyQt5的环境就已经配置好了。接下来在工程文件夹的Pycharm开发环境中，在标题栏中的Tools中的External Tools翻开工具QtDesigner,翻开前面配置的外部工具QtDesigner,进入Qt设计师窗口，如图5.5与图5.6所示。File Edit yiew Navigate ode Refactor RynToolsVC$ W

12、indow Help上市公司新闻情冢分析 PyChai上市公司新闻信息分析Tasks & ContextsProject -r U 上市公司新闻情爱分析上市 lllli External LibrariesG Scratches and ConsolesSave as Live Template. Save File as Template. IDE Scripting Console XML ActionsExternal Tools QtDesignerStack Trace or Thread Dump.Python or Debug ConsoleSync Python Require

13、ments.Create setup.pyRun setup.py Task.Sphinx QuickstartPyUCISearch EverywhereGo to File Ctrl+Shif图5.5 新建窗体 Qt DesignerXtemplatesforms Dialog with Buttons Bottom Dialog with Buttons Right Dialog without Buttons Main Window Widget窗口部件诳入式设计无默认大小无默认大小设备:屏幕大小：0启动时显示这个对话框一创立（R） 翻开（。）二厂 最近的 关闭（0图5.6 Qt设计师

14、窗口在该窗口下点击“Main Window”创立主窗体设计界面，从控件栏中拖拽一个Tree Widget树按 钮用来显示行业名称，拖拽两个pushButton按钮，依次命名为“情感分析”、“退出系统”，再拖 拽一个Table View表格按钮用来输出并显示数据。如图5.7所示。口口口将当R叫DJ胃州主控名L5J图5.7主窗体创立系统界面单击保存图标，即可保存设计的界面，其文件名与创立的工程文件夹名称相同，文件名后缀为U,默认情况下保存在工程文件下。可以在Pycharm环境下，右键ui界面文件，选择 “Tools/ExternalTools/PyUCI(前面配置的夕卜部工具)，即可自动生成Pyt

15、hon程序代码，至此上市 公司百度新闻情感分析可视化演示系统界面设计就完成了。2) GUI系统设计、功能逻辑实现，要求有一定的流程图辅助说明，同时附上关键实现代码(10分)。初始化树结构初始化下拉框单击回调函数的实现根据.ui文件生成的.py文件，作者将它命名为main.py,在main.py中添加相关代码，从而实 现该系统的功能。本系统实现的功能包括运行主程序main.py,弹出上市公司百度新闻情感分析可视化演示界面。 点击treeWidget树结构下某个节点，选择某个日期，显示该日期下对应节点的所有上市公司新 闻标题，并展示出来。同时，单击“情感分析”按钮，对这些新闻调用训练好的支持向量机

16、情感 识别模型进行情感识别，同时输出预测结果，并展示出来。同时选择积极新闻，那么输出预测为积 极的新闻。同理可点击消极新闻、中性新闻，输出对应的结果。单击该页面下的“退出系统”按 钮，将退出整个系统。由此，整个系统的功能就实现完毕了。接下来介绍整个系统实现的基本思 路。该界面实现的功能包括初始化树结构内容，在类初始化函数中对其修改即可实现。除此外之 外还包括树单击事件回调函数、选择下拉框回调函数，单击按钮回调函数。下面详细进行介绍。 初始化树结构对树结构初始化内容，可以通过从Tushare金融大数据社区获取上市公司的信息数据，从而获得 中国所有上市公司的行业名称，用一个列表来存放；以“行业分类

17、名称”命名为根节点，通过一 个循环把所有行业分类名称依次添加到根节点下面。可以在初始化函数中添加例如代码如下：data = pd.read_excel(上市公司信息.xlsx)ind = data.iloc:, 4.value_counts()indname = list(ind.index) #所有行业分类名称 root = QTreeWidgetltem(self.treeWidget) root.setText。行业分类名称，) root.setText(l, 0)for i in range(len(indname):child = QTreeWidgetltem(root)child

18、.setText(0, indnamei)child.setText(l, str(i)其中“上市公司信息,xlsx”即为我们从Tushare金融大数据社区获取上市公司的信息数据。初始化下拉框本系统共有两个下拉框，一个为时间下拉框，一个为情感标签下拉框。对时间下拉框初始化内容, 可以通过从百度爬取的上市公司新闻数据中获得时间，用循环读取时间，并将时间值唯一化，再 将时间添加进选择时间的下拉框中。可以在初始化树下方添加例如代码如下：Data = pd.read_excel(上市公司新闻.xlsx)#时间选择times =for i in Data.ilocf:, 2:times.append(s

19、tr(i).split(, l)00:ll)times = pd.Series(times).unique()times = list(times:-l)self boBox.addltems(times) #将时间添加进，时间选择的下拉框，self boBox.activated str.connect(self.times_values) # 判断用户是否选择时间其中，上市公司新闻.xlsxi为上市公司百度新闻爬取的数据。对于情感标签下拉框，可以直接进行选择命名，例如代码如下：$0|80080_236|他015(积极丁中性丁消极)self boBox_2.activated str.con

20、nect(self.xw_values)5.43单击回调函数的实现关于树单击回调函数的实现，与相关下拉框一同实现。单击树中的节点，即选中对应的行业名称, 同时选择日期，那么在表格控件中显示该行业对应公司的新闻结果。可以通过定义一个fun函数来 实现，这个函数在树单击回调与单击下拉框回调中使用，其中fun函数定义例如代码如下：def fun(selt riqi):riqi = str(riqi)item = self.treeWidget.currentltem()data = pd.read_excel(上市公司新闻.xlsx)data = data.locdata.iloc:, 3 = it

21、em.text(O)datal = data.locdata.iloc:,2 = riqi #判断日期dataselect =datal.to_excel(,dataselect.xlsx,index=False)。将选择过日期的数据进行保存datal = datal.reindex(columns 二厂公司名称冒新闻标题)1 日期1)self.model = QStandardltemModel(len(data)/ 3)(公司名称冒新闻标题/日期)for r in range(len(datal):for c in range(3):a = Q.Standardltem(str(datal

22、.ilocr/ c)self.model.setltem(r, c, a)self.tableView.setModel(self.model)最后，将树与下拉框单击回调函数关联到树与下拉框单击事件函数中，可以通过以下命令来实现: self.treeWidget.clicked.connect(self. selectname)self boBox.currentlndexChangedstr.connect(self.fun)对于单击按钮回调函数的实现，系统一共有两个按钮，一个为情感分析按钮，一个为“退出系 统”按钮。“情感分析”按钮关联一个fun2函数，该函数用来对目前选择的新闻进行情感分

23、析预 测，即为支持向量机预测模型。将情感分析按钮单击回调函数关联到情感分析按钮单击事件函数中，可以通过以下命令来实现：self.pushButton.clicked.connect(self.fun2)同理，“退出系统”按钮可以通过以下命令来实现：self.pushButton_2.clicked.connect(MainWindow.close) # 退出关于第二个下拉框单击回调函数的实现，与第一个下拉框单击回调函数的实现类似，在选择了行 也与日期并进行情感分析后，将所得的数据保存，定义一个函数fun3,该函数实现读取进行情感 分析后所得的数据，选择情感标签“积极”、“中性”或“消极”，在T

24、able View表格控件展示出 对应的公司新闻。这个函数在树单击回调与单击下拉框回调中使用，其中fun3函数定义例如代 码如下：def fun3(self,bq):bq = str(bq)item = self.treeWidget.currentltem()data = pd.read_excel(预测结果,xlsx)#读取预测结果的数据data = data.locdata.iloc:, 3 = item.text(O)datal = data.locdata.iloc:,-l = bq # 判断情感标签datal = datal.reindex(columns=公司名称J新闻标题,，,

25、日期。,预测结果)self.model = QStandardltemModel(len(data), 4)self, model. setHorizontalHeaderLabels(公司名称丁新闻标题日期丁预测结果)for r in range(len(datal):for c in range(4):a = QStandardltem(str(datal.ilocr, c)self.model.setltem(r, c, a)self.tableView.setModel(self.model)最后，将下拉框单击回调函数关联到下拉框单击事件函数中，可以通过以下命令来实现：self boB

26、ox.currentlndexChangedstr.connect(self.fun3)至此，该系统所有功能的实现方法就已经介绍完毕！3)界面实现，要求有相关运行结果的截图(10分)。5.5系统界面美化使用设计师工具QtDesigner最初完成的系统是比拟简洁的，我们可以通过后期添加代码来完成系统 界面的美化。5.5.1 背景设置使用setStyleSheet方法插入本地背景图片，使用方法可以在初始化函数setupUi的后面输入以下程序 代码实现：MainWindow.setStyleSheet(H#Main Window border-image:url(2 jpg); n)5.5.2 按钮

27、形状颜色与字体的设置同理使用setStyleSheet方法实现，在设置背景的后面输入以下程序代码实现:self.pushButton.setStyleSheet(HQPushButton color:black”nQPushButton:hover color: whitenQPushButton background-color:lightblueQPushButton border: 2pxQPushButton border-radius: 1 Opx ”)表控件设置：self.tableView.setStyleSheet(HQTableViewbackground-color:lig

28、htyellown)下拉框控件设置self boBox.setStyleSheet(nQComboBox background-color: lightblue”QComboBox background-color:lightblueQComboBox border: 2pxnQComboBox border-radius: 1 Opx ”)5.5.3 树控件设置：self.treeWidget.setStyleSheet(HQTreeWidgetbackground-color:lightyellow) 由此，界面美化局部也完成了。系统演示：运行main.py文件，然后弹出可视化界面如图5.

29、8所示。pyplot模块，可以实现常见图像的绘制，如散点图、线性图、柱状图、直方图、饼图、箱线图及 子图等，请分别给出这些图像绘制的Python定义语句。plt.scatter（x,y 1）#散点图plt.plot(x,yl,T*)# 线性图plt.bar(x,yl)# 柱状图plt.hist(yl)# 直方图plt.pie(listl,labels=D,autopct=,% 1.2f%,) #绘制饼图plt.boxplot(yl. values,y2. values) # 箱线图得分评卷人plt.subplot(3,2,3) #子图三、机器学习基础题(本大题共1小题，每题24分,共24分)数

30、据科学与人工智能的核心是机器学习模型与算法，Python中的机器学习包Scikit-learn提供了从数 据预处理到模型应用、评估等各方面的模型与算法，比方缺失值处理、数据的规范化、属性归约（主 成分提取）、线性回归、逻辑回归、神经网络、支持向量机、K.均值聚类等。问题如下：1）请对以上模型或方法的应用主题进行归类（主题包括：数据预处理、线性回归数值预测、非线性 回归数值预测、分类预测或识别、聚类、关联分析）（8分）。1 .数据预处理：缺失值处理，数据的均值-方差、极规范化方法2 .数据降维：主成分分析方法3 .回归：线性回归、神经网络非线性回归4 .分类：支持向量机、逻辑回归、神经网络分类5

31、 .聚类：K-均值聚类算法2）给出以上模型或方法的基本实现流程或者步骤，以及Python定义或者调用语句（16分）。 缺失值处理：（1）均值填充。from sklearn.preprocessing import ImputerfC=Cimp = lmputer（missing_values=NaN/ strategy=mean，axis=0） imp.fit(fC)图5.8可视化界面点击“行业分类名称”，然后就出现该行业下2020年06月18日所有公司的新闻, 因为在没有选择时间的情况下，设置默认选择2020年06月18日。结果如错误!未找到引用源。所示。06月18日行业分类名称55：件服务

32、元智牛电气设备化工原料专用机械汽车配件通信设备化学制药医疗保健建筑工程网触机械基件互联网中成药电器仪表食居区域地产 半导体 服饰 塑科 影视看电 证券 家用电器 生物制药 百货广百包装情感分析新同标题298 STm*ST科林:关于终202006月18日299快讯*ST科林202006180300快讯*ST科林2020063180301B中林无新增光伏电一202(WO6月18日302 *ST 丽*ST科林2020202006180303 ，ST科林裕1科林林计202020被月18日304凯美特气快讯:午后在线202（m）6 月 18 日305就类特气前期赖财联202006180306贰*气财经早

33、班车15月202006185307 箓送特气新股排查1金202006180308即美特气演美特气:公司202炜06月18日309 Qg就美特气:电子2020)6183310美特气凯美特气电子202（m）6月18日311Gt祎气软臬特气电子202006185312北美特气觊美特气祝恩2020063180公司名称日期图5.9上市公司百度新闻展示选择日期下拉框，系统就会对所有的新闻数据进行筛选，将对应行业对应日期的新闻展示到 TableView表格控件上，如错误!未找到引用源。所示。上市公司新闻情感分析可视化演示系统积极情感分析124567891112131415 x行业分类名称 软件眼务 渣1牛

34、电气设备 化工原料 专用机械 汽车配件 通信设备 化学制药 医疗保健 建筑工程环境耕机械基件 互联网 中成药电器仪表 食品区域地产 半导体 服饰望料影视音像 证券家用电器 生物制药 百货广告包装Vin2020年05月30日公司名称德创环保新闻标题德创环保蔡学日期202诈05月30日德创环保财报速递:德创202诈05月30日德创环保德创环保2020202炜05月30日上海洗霸上海洗哥:我司202诈05月30日上海洗霸上海洗霸:控股202炜05月30日垦津环保景津环保:副总202炜05月30日昼津环保多主力现身龙202眸05月30日垦津环保德州上市公司202眸05月30日东珠生态东珠生态环保202

35、眸05月30日东珠生态东珠生态:预中202炜05月30日东珠生态东珠生态环保202眸05月30日伟明环保t安信环保公202诈05月30日伟明环保伟明环保:中标202诈05月30日伟明环保互动伟明环保202眸05月30日退出系统图5.10上市公司百度新闻展示单击“情感分析”按钮，系统就会对当前的上市公司百度新闻数据进行情感分析，并将预测的结果展示到TableView表格控件上，如错误!未找到引用源。所示。机磁萄中 互联网 中成药 电器仪表食品 区域地产 半导体 展旅受料影视音像 证券家用电器 生物制药 百货广告包装行业分类名称 家件服务 元器1牛 电气设备 化工原料 专用机械 汽车配件 通僖设备

36、 化学削药 医疗保健 建筑工程退出系统情感分析2020年05月30日公司名称1德创环保新闻标题箧创环保蔡学日期202005 月 30 日控那么结果中性2修创环保财报速递德创202喇5月30日消极3年创环保德创环保20纺202005300网4上海洗霸上海洗壶我司202005300侬5上海洗霸上海洗壶控股202005300网6要津环保祟津环保副总202阐5月30日有7垦津环保多主力现身龙202阐5月30日中性8昱津环保德州上市公司202(05 月 30 日酬9东珠生态东珠生态环保202阐5月30日网10东珠生态东侏生态:不中202005 月 30 日网11东珠生态东珠生态环保202阵05月30日中

37、性12伟明环保t安信环保公202阐5月30日中性13伟明环保伟明环保中标202005300侬14伟明环保互动】伟明环保202005 月 30 日图5.11上市公司百度新闻情感分析结果展示选择情感标签下拉框，系统就会对当前的新闻数据进行筛选，将对应行业对应日期对应情感标签的新闻展示到TableView表格控件上，如图5.12所示。3上市公司新阊情里分析可视化演示系统行业分类名称 软件球务 元器件 电气设备 化工原料 专用机械 汽车配件 通信没看 化学*国 医疗保健 St就工程机械基件 互联网 中成药电it仪表 食品区域地产 半身体 座旅望科影猊音像证券家用电器 生物制药 百货广告包装uija20

38、20 年 05,月30曰情感分析候那么结果秀创环保德创环保禁字202005300中性垦津仄保多主力现身龙202005 月 30 日中性东珠生态东珠生态环保202005300中性伟明环保【安信环保公2020年05月30日中性公司名称新闻标题图5.12上市公司百度新闻情感分析结果展示fC=imp.transform(fC)(2)中位数填充imp = Imputer(missing_values=,NaN, strategy=median, axis=l)fc=cimp.fit(fc)fc=imp.transform(fc)(3)最频繁值填充。imp = Imputer(missing_values

39、=,NaN, strategy=most_frequent, axis=O)imp.fit(fD)fD=imp.transform(fD)数据的规范化：(1)导入极差规范化模块MinMaxScalerofrom ski earn .preprocessing import MinMaxScaler # 导入极差规范化模块(2)利用MinMaxScaler创立极差规范化对象min_max_scaler。min_max_scaler = MinMaxScaler()(3)调用min_max_scaler中的Et()拟合方法，对待处理的数据xl进行拟合训练。 min_max_scaler.fit(x

40、l)(4)调用min_max_scaler中的transform。方法，返回处理后的数据集xl (覆盖原未处理的XI )。 xl=min_max_scaler.transform(xl)例如代码如下：from skiearn.preprocessing import MinMaxScalerxl=datamin_max_scaler = MinMaxScaler()min_max_scaler.fit(xl)xl=min_max_scaler.transform(xl)主成分分析：导入主成分分析模块PCA。from skiearn.decomposition import PCA 利用PCA创

41、立主成分分析对象pea。pca=PCA (n_components=0.95)#这里设置累计贡献率为95乞以上。 调用pea对象中的fit()方法，对待分析的数据进行拟合训练。pea , fit(X) 调用pea对象中的transform。方法，返回提取的主成分。Y=pca . transform(X)#返回特征向量#返回特征值#返回主成分方差百分比(贡献率) 通过 pea 对象中的 components.属性、explained_variance_属性、explained_variance_ ratio_M 性，返回主成分分析中对应的特征向量、特征值和主成分方差百分比(贡献率)，比方：tzx

42、l=pca ponents_tz=pca . explained_variance_gxl=pca . explained_variance_ratio主成分表达式及验证。由前面分析，我们知道第i个主成分表示为匕=/玉 + li2X2 HF lipx其中&代表第i个主成分对应的特征向量。例如，可以通过程序验证第1个主成分前面的4个分量的值。Y00=sum(X0,:*tzxl 0,:)Y01=sum(X1,:*tzxl 0,:)Y02=sum(X2,:*tzxl0,:)Y03=sum(X3,:*tzxl0z:)o主成分分析的例如代码如下：from sklearn.decomposition im

43、port PCApca=PCA(n_components=0.95)pea . fit(X)Y=pca.transform(X)tzxl=pca . components_tz=pca . explained_variance_gxl=pca . explained_variance_ratio_Y00=sum (X 0, : *tzxl 0,:)Y01=sum (X lz : *tzxl 0,:)Y02=sum (X 2, : *tzxl 0,:)Y03=sum(X3,:*tzxl0,:)线性回归：(1)导入线性回归模块，简称为LR。from sklearn.linear_model imp

44、ort LinearRegression as LR(2)利用LR创立线性回归对象ko lr = LR()(3)调用lr对象中的fit()方法，对数据进行拟合训练。lr.fit (x, y)(4)调用lr对象中的score。方法，返回其拟合优度(判定系数)，观察线性关系是否显著。Slr=lr. score (x, y) # 判定系数 RA2(5)取lr对象中的coef_、intercept.属性，返回x对应的回归系数和回归系数常数项。c_x=lr.coef_# x 对应的回归系数c_b=lr.intercept_ #回归系数常数项逻辑回归：(1)导入逻辑回归模块，简称为LR。from sklearn.linear_model import LogisticRegression as LR(2)利用LR创立逻辑回归对象lr。 lr = LR()(3)调用lr中的fit()方法进行训练