《金融数据分析(技能基础)》期末考核试卷及答案.docx

学院课程考核试卷
（2018—2019学年度第一学期）
《金融数据分析（技能基础）》课程（A臼/B 口卷）作答说明：।.将程序拷贝到对应题目下面，并将运行结果（局部）截图放在程序后面。
课程代码

考核形式
机试
考试班级

考核日期
2。_年_月一日
考核时长
一分钟
命题教师签名

教研室主任签名

主管学院领导签名

题号
—■
二
三
四
五
六

总分
分值
20
30
14
16
20

1 0 0
实得分

统分人

核分人

.另建一个文件夹，命名：答题程序，存放每题程序及数据文件、最后压缩。
2 .将I和2的文件压缩，命名：学号（完整）+姓名，并提交。
得分 评卷人一、程序计算综合应用题（本大题共1小题，每题20分，
共20分）
“拍照赚钱”是移动互联网卜的一种自助式服务模式。用户下载APP,注册成为 APP的会员，然后从APP上领取需要拍照的任务（比方卜.超市去检查某种商品的上架情 况），赚取APP对任务所标定的酬金。这种基于移动互联网的自助式劳务众包平台，为 企业提供各种商业检查和信息，相比传统的市场调查方式可以大大节省调查本钱， 而且有效地保证了调查数据真实性，缩短了调查的周期。因此APP成为该平台运行的 核心，而APP中的任务定价又是其核心要素。如果定价不合理，有的任务就会无人问 津，而导致商品检查的失败。
附件一是一个已结束工程的任务数据，包含了每个任务的位置、定价和完成情况 （“1”表示完成，“0”表示未完成）；附件二是会员信息数据，包含了会员的位置、信 誉值、参考其信誉给出的任务开始预订时间和预订限额，原那么上会员信誉越高，越优先 开始挑选任务，其配额也就越大（任务分配时实际上是根据预订限额所占比例进行配 发）。附件一和附件二的表结构如表1和表2所示。
表1附件一：已结束工程任务数据注：案例内容及数据来源于2017年全国大学生数学建模竞赛B题
任务号码
任务gps纬度
任务gps经度
任务标价
任务执行情况
A0001
22.56614225
113.9808368
66
0
A0002
22.68620526
113.9405252
65.5
0
A0003
22.57651183
113. 957198
65.5
1
A0001
22. 56481081
114.2445711
75
0
A0005
22.55888775
113.9507227
65.5
0
A0006
22.55899906
114.2413174
75
0
A0007
22.54900371
113.9722597
65.5
1
A0008
22.56277351
113. 9565735
65.5
0
表2附件二：会员信息数据
会员编号
会员位置（GPS）
预订任务 限额
预订任务开 始时间
信誉值
B0001
22. 947097 113. 679983
114
6:30:00
67997. 3868
B0002
22. 577792 113. 966524
163
6:30:00
37926. 5416
B0003
23. 192458 113. 347272
139
6:30:00
27953. 0363
B0004
23. 255965 113.31875
98
6:30:00
25085. 6986
建一个Python脚本文件,命名为testl.py,完成以下任务:
I）计算A0001、A0002任务位置到所有会员位置的距离，结果采用两个序列来保存， 分别记为S_A0001、S_A0002,其中index为会员编号,值为其对应的距离。（10分） 院校的在校生数：x9为国家财政预算内普通高教经费占国内生产总值比重；xlO为生均 教育经物)。
建一个Python脚本文件，命名为test3.py,完成以下任务：
3)对以上指标数据做主成分分析，并提取其主成分，要求累计贡献率到达90%以上。
(7分)4)基于提取的主成分，对以上30个地区做K-均值聚类分析(K=4),并将地区名称和 所属的类别在命令窗口中输出聚类结果。(7分)
代码为：
import pandas as pd
data=pd.rcad_cxccl('高教数据.xlsx')
X=data.iloc[:.l:]
from skleam.preprocessing import StandardScaler#规范化处理
scaler = StandardScaler()
scaler.fit(X)
X=scaler.transfonn( X)
from skleam.decomposition import PCA#主成分分析模块
pca=PCA(n_componcnls=0.90) #累计贡献率达至U 90%以上
pca.fit(X)
Y=pca-gnsfbrni(X)# 主成分
from skleani.cluster import KMeans #K-均值聚类模块
model = KMeans(n_clusters = 4. random_state=0. max_iter = 500)
model.fit(Y)
c=modeLlabels_#K-均值聚类结果
Fs=pd.Series(c,index=datar 地区'])
Fs=Fs. sort_val ues( ascend i ng=Tr ue )#K-均值聚类整理后结果
print。第 0 类为:\list(Fs[Fs==O].index))
printed I 类为：',list(Fs[Fs==l「index))
prinlC第 2 类为：,Jist(Fs[Fs==2].index))
print('笫 3 类为:',list(Fs(Fs==3].index))
结果为：
(1) 标准化数据结果提取其主成分
卿 X - NuWy array

■

[■!■
8

0
1
2
3
4
$
6
7
8
9
*

0
1
4.44119
2.e2«i4
3.97252
2.7)28
4.1079
2.42619
4.29994
2.466M
4.<1744
2.192M
4.<5W
1.X848
2.45)21
•.844115
，“21“
4.22779
•.89t737
2.44V J
i.esiw

2
1.03*61
1.4767S
i.S3e54
1.38e67
•・戈〃59
1.6544
1.42642

e.7BM8
e.711133
s

3
9.9967^9
•.2S7M8
•.1927M
•.21t74S

• .X8MM
•.•X793
•.MM73
1.71217
• .M€SM3

1
4
• -2U219
•.351252
•・38S469
明”】319
-7

• .72W74
♦・7X212
・・・“”7”
0Q35X18

5
-98
，31*28
6.2X77
0.23WS6
•.152105
•.1854M
•.587418
•0.28868
•.531362
••.6675543

6

••.0S6S483

•.•M5282
••054”用
•.87t571
e. 252461

0.377^4

7

•.MM997S
-•.•22474«

•.7aeeee
•.274445
<«.X5M44

8
-•.2WJ1
•%W2363
e
-•.047J78
-•.14M25
•••139789
・.2““
1・07”2

•.•575241

9
••.525464
••.44W36
••.26«758
•0.32226
375^58
•e.396543
•-7S4S3
i.e4»i
••.4697S5
15163S

10
• t.64M3
••.431724

••.416U2
-•.3TSM8
••.41346
• .45M43
1.32M2
-e.eerreMo
•.•195115

11

*•.149119
一•&”“
*•.)99917
-•.45•777
•.4S7495
1.4121
-•.7WS1
•—
.•.MM47
.

| [ lit" | /ctlcr

UC1 CaaoU ]
匿丫 ・ NumPy array

01
0
11.9005
0.90569

1
6.04333
-e.107095

2
3.55806
-1.05099

3
1.02912
-0.0356767

1
4
0.845286
-0.89596

5
0.81615
0.0179806

6
0.246702
-0.585516

7
0.125297
-0.861763

8
-0.165863
-1.03372

1
9
10
-0.317892
-0.950159

-0.711387
-1.31504

11
-0.870075
_1.6637

(2)地区名称和所属的类别第。类为：［' ‘福建'及 龙江,，’吉林 第1类为：［, 第2类为：［' 第3类为：［'
第。类为：［' ‘福建'及 龙江,，’吉林 第1类为：［, 第2类为：［' 第3类为：［'

第。类为：［' ‘福建'及 龙江,，’吉林 第1类为：［, 第2类为：［' 第3类为：［'
匕叫 西，
江，
• • 1J 曦E 南•广 5，，， 一，南猿 -蒙> • U,京粽 八宁州，，上西 7贵IZT:1 )>1•・，、•/ W 一浙高，，天青北
■ g 西鼎 山， • • 匕* 不，， ，，豕 妇江
得分
评卷人

四、关联规那么算法基础应用题（本大题共1小题，每题
16分，共16分）
假设行以下数据集，每行代表一个顾客在超市的购买记录:
II：
西红柿、排骨、鸡蛋、毛巾、水果刀
12:
13:
西红柿、茄子、水果刀、香蕉
鸡蛋、袜子、毛巾、肥皂、水果刀
14:
西红柿、排骨、茄子、毛巾、水果刀
15:
16:
西红柿、排骨、酸奶
鸡蛋、茄子、酸奶、肥皂、香蕉
17:
18:
排骨、鸡蛋、茄子、水果刀
土豆、鸡蛋、袜子、香蕉、水果刀
19:
西红柿、排骨、鞋子、土豆、香蕉
建一个Pylhon脚本，命名为心l4.py,完成以卜任务：
3）将以上购买记录转换为布尔类型数据，其数据结构为DataFrame （10分）4）利用Apriori关联规那么挖掘算法函数进行关联规那么挖掘，最小支持度和最小置信度 分别为0.2和0.4,并将挖掘结果导出到Excel表格中（6分）代码为：
tiem=r西红柿排骨鸡蛋毛巾'，水果刀茄子香蕉袜子肥皂酸奶土豆鞋子'］import pandas as pdimport numpy as npdata = pd・read_table（'第四题.txt',sep='、',heade尸None）
D=dict（） ibr l in range(len(tiem)):
z=np.zeros((len(data)))
li=list()
for k in range(len(data.iloc[0,:])):
s=data.iloc|:.k]==tiem[t|
li.cxtend(lisl(s(s.valucs==True].index)) apriori.find_rule(Data, support, confidence, ms).(o_exccl(outputfilc)z[li]=l
D.setdcfault(tiein[t],z)
Data=pd .DataFrame(D) import apriori
outputfilc = 'apriori_rules.xls' suppori = 0.2
confidence = 0.4
ms ='-'
z[li]=l
D.setdcfault(tiein[t],z)
Data=pd .DataFrame(D) import apriori
outputfilc = 'apriori_rules.xls' suppori = 0.2
confidence = 0.4
ms ='-'

z[li]=l
D.setdcfault(tiein[t],z)
Data=pd .DataFrame(D) import apriori
outputfilc = 'apriori_rules.xls' suppori = 0.2
confidence = 0.4
ms ='-'
#导入自行编写的apriori函数
#结果文件
#最小支持度
#最小置信度
#连接符，默认
结果为: 把顾客在超市的购买记录复制到文本文件中，用“、”分隔提取数据，无表头回 data - DataFrame
Index
0
1
2
3
4
0
西红柿
拌皆
鸡蛋
毛巾
水果刀
1
西红柿
茄子
水果刀
香蕉
Hone
2
鸡蛋
秣子
毛巾
肥皂
水果刀
3
西红柿
持骨
超
毛巾
水果刀
4
西红柿
持告
硼
None
None
5
鸡参
茄子
硼
肥皂
香蕉
6
排骨
鸡蛋
茄子
水果刀
None
7
±s
鸡蛋
袜子
香建
水果刀
8
西红柿
排骨
建子
±s
香蕉

(I)将以上购买记录转换为布尔类型数据圈 Dau - D^uFrame
（2）利用Apriori关联规那么挖掘算法函数进行关联规那么挖掘挖掘结果导出到Excel表格中的结果:
结果为：
毛巾---水果刀
support confidence
0.333333
1.000000
土豆一•香蕉
0.222222
1.000000
袜子--水果刀
0.222222
1.000000
肥皂---鸡蛋
0.222222
1.000000
袜子...鸡蛋
0.222222
1.000000
排骨---毛巾---水果刀
0.222222
1.000000
毛巾--西红柿一 一排骨
0.222222
1.000000
排骨--毛巾・一西红柿
0.222222
1.000000
排骨---茄子---水果刀
0.222222
1.000000
排旨--鸡蛋--水果刀
0.222222
1.000000
毛巾一 一西红柿一一水果刀
0.222222
1.000000
毛巾・・.鸡蛋...水果刀
0.222222
1.000000
茄子---西红柿---水果刀
0222222
1.000000
袜子--鸡蛋--水果刀
0.222222
1.000000
水果刀---袜子-一鸡蛋
0.222222
1.000000
毛巾--水果刀---西红柿-
--排骨 0.2222221.000000
排备•--水果刀---西红柿-
一毛巾 0.2222221.000000
排智•---毛巾---西纤柿
•水果 71 0.2222221.000000
A1▼八

A
B
C
D
1
!
। support
:onfidence

2
毛巾一水果刀
0.333333
1

3
土豆…香蕉
0 222222
1

4
袜子一水果刀
0 222222
1

5
肥皂一鸡蛋
0.222222
1

6
袜子一鸡蛋
0 222222
1

7
排骨…毛巾…水果刀
0 222222
1

8
毛巾一西红柿…排骨
0.222222
1

9
捧音一毛巾一西红柿
0.222222
1

10
持台茄子…水果刀
0 222222
1

11
排骨鸡蛋水果刀
0.222222
1

12
毛巾…西红柿一水果刀
0.222222
1

13
毛巾一鸡蛋…水果刀
0 222222
1

14
茄子…西红柿水果刀
0 222222
1

15
袜子一鸡蛋…水果刀
0.222222
1

16
水果刀-袜子…鸡蛋
0.222222
1

17
毛巾一水果刀…西红柿…排骨
0 222222
1

18
播骨一水果刀一西红柿…毛巾
0.222222
1

19
排骨一毛巾一西红柿一水果刀
0.222222
1

20
排骨一毛巾…水果刀一西红柿
0 222222
1

21
西红柿…排骨
0 444444
0 8

22
排管一西红柿
0.444444
0.8

23
玛蛋一水果刀
0.444444
0.8

24
茄子一水果刀
0.333333
0.75

25
水果刀…鸡蛋
0.444444
0 666667

26
毛巾一排管
0.222222
0.666667

27
毛巾一西红柿
0 222222
0 666667

28
毛巾一鸡蛋
0 222222
0 666667

29
毛巾一水果刀一排骨
0.222222
0.666667

30
排骨水果刀…毛巾
0.222222
0 666667

31
水果刀…茄子…播音
0 222222
0 666667

32
排骨水果刀…茄子
0.222222
0 666667

33
水果刀一西红柿一排骨
0.222222
0.666667

34
排骨水果刀…西红柿
0 222222
0 666667

35
排骨…水果刀…鸡蛋
0 222222
0 666667

36
水果刀一西红柿一毛巾
0.222222
0.666667

37
毛巾水果刀.西红柿
0.222222
0.666667

得分 评卷人 五、综合应用案例分析题（本大题共1小题，每题20分,今有沪深300指数2014年的交易数据，其数据结构表3所示。

共20分）
表3沪深300指数2014年交易数据字段依次表示指数代码、交易日期、开盘价、最高价、最低价、收盘价、成交量。
Indexed
IdxtrdOl
Idxtrd02
Idxtrd03
Idxtrd04
Idxtrd05
Idxtrd06
000300
2014-01-02
2323. 43
2325. 99
2310. 65
2321.98
451942.9
000300
2014-01-03
2311.97
2314.84
2280. 89
2290. 78
597826. 5
000300
2014-01-06
2286.37
2286. 37
2229. 33
2238. 64
66300-i
000300
2014-01-07
2222. 31
2246. 79
2218. 65
2238
437531
000300
2014-01-08
2240. 64
2262. 58
2228. 42
2241.91
513488.5
000300
2014-01-09
2236.97
2258. 89
2220. 8
2222. 22
559870. 4
000300
2014-01-10
2216.52
2224. 49
2200. 22
2204. 85
541692.9
000300
2014-01-13
2207
2222. 07
2183.6
2193. 68
501227.7
000300
2014-01-14
2192. 84
2214.12
2179.91
2212. 85
540499. 5
000300
2014-01-15
2210. 02
2215.9
2193.8
2208. 94
489624

♦・•・♦・

••••••

建一个Python脚本，命名test4.py,完成以下任务：
1）请计算如下指标：
A1 （收盘价/均价）：即收盘价/过去10个交易日的移动平均收盘价A2 （现量/均量）：即成交量/过去10个交易日的移动平均成交量A3 （收益率）：（当日收盘价-前日收盘价）/前日收盘价A4 （最高价/均价）：最高价/过去10个交易日的移动均平均收盘价
A5 （最低价/均价）：最低价/过去10个交易日的移动平均收盘价A6 （极差）：最高价-最低价（衡量波动性）A7 （瞬时收益）：收盘价•开盘价丫（决策变量）：后交易口收盘价-当前交易口收盘价，如果大于0,记为1；如果小 于等于0，记为-K
同时对指标A1〜A7作标准化处理：（当前值-均值）/标准差，最终得到以下标准的数 据结构形式：
ID Al A2 A3 A4 A5 A6 A7 Y
1 (10 分)
2)取后30条记录作为测试样本，剩下的数据记录为训练样本，利用支持向量机模型 进行训练及测试，获得模型的准确率和预测准确率，分别记为score和Rv,并在命令窗 口中输出score和Rv“(10分)代码为：
import pandas as pdimport niinipy as npld=pd.read_excel('沪深 300 指数 2014 年交易数据.xlsx')#1、获取指标
AI=td「Idxtrd05'].values/pd.roHing_mean(td[Tdxlrd05'].values,l0)A2=ld['Idxtrd06'l.values/pd.rolling_mcan(td['Idxtrd06'].values, 10)A4=td['Idxtrd03，lAalues/pd.rolling_niean(tdridxlrd05'].values. 10)A5=td['ldxtrd04'l.values/pd.rolling_mean(kU'ldxtrd05'J. values, 10)
A6=td['IdxtrdO3'].values-td|'IdxtrdO4'|. valuesA7=td[,IdxtrdO5'].values-td[,IdxtrdO2,].valuesY=td['IdxtrdO5'].values[ 1 :]-td('IdxtrdO5'].values(：-1 ]A3=np.zeros(len(td))
for i in rangc(lcn(td)):
ifi>0:
A3liJ=(td.loc[i,,Idxtrd05,]-td.loc[i-l,,Idxtrd05,])/td.loc[i-l,,Idxtrd05'JX={'AI':A 1 ；A2':A2,'A3':A3：A4,:A4,'A5,:A5,,A6,:A6；A7,:A7)X=pd.DataFrame(X)X=X.iloc(9:,]
#对指标Al〜A7作标准化处理from sklcarn.preprocessing import StandardScalcrscaler = StandardScalcr()scaler. fit(X)
X=scaler.transtbrm(X)X=pd.DataFrame(X)Y=Y|8：1Y[Y>O]=1
Y[Y<=O]=-1Y=Y.reshape(len( Y), 1)Y=pd.DataFrame( Y)x = X.iloc[:len(X)-30,:].as_matrix()
y = Y.iloc[:len(Y)-30,:].as_matrix()x I = X.iloc[len(X)-30:,:].as_matrix()y 1 = Y.iloc[lcn(Y)-30:].as_matrix()#2、支持向量机
from skleam import svmelf = svm.SVC(kerneI='rbf)clf.fit(x. y)score=clf.score(x. y); #模型准确率(针对训练数据)
R2=clf.predict(x 1)Z=R2-ylZ=Z[:,0]Rv=len(Z[Z==0])/len(Z) #预测准确率
print(膜型准确率为:'.score)print(预测准确率为：；Rv)结果为：
(1) 计算的指标

（2）获得模型的准确率和预测准确率模型准确率为：0.961165048544预那么准确率为：0.8
2）计算A0001任务在5公里范围内的会员个数，记为A0001_Bnum0 （5分）3）计算A0002任务在5公里范围内所有会员信誉值总和,记为A0002_Bavg。（5分） 附注：设定A点（纬度经度不）和B点（纬度。2,经度乙），那么两点之间的距 离△可以用以下公式进行计算：

其中距离的单位为：公里。
得分 评卷人二、分类模型基础应用题（本大题共1小题，每题30分,共30分）.今有某银行的贷款审批数据，采集的特征一共有15个，依次为xl~xl5,决策变 量为y,取值为1（同意贷款）和0 （不同意贷款），数据共690条记录，具体见文件 《银行贷款审批数据.xlsx》。
建一个Python脚本文件,命名为test2.py,完成以下任务:
I）特征数据xl~xl5存在缺失数据，其中xl~x6为数值变量，x7〜X15为名义变量。 请对xl〜x6中存在的缺失值用均值策略填充，x7〜X15用中位数策略填充。（10分） 2）对xl~x6变量数据作均值-方差标准化处理，需要注意的是x7~xl5名义变量不需 要作标准化处理。（5分）3）将经过前面两步处理后的数据集，取前600条记录作为训练数据，后90条记录 作为测试数据，利用支持向量机、逻辑回归、神经网络三种不同的模型依次做出预 测，并计算其预测精度。（15分）4）将预测精度通过柱状图表示出来，其中横轴为模型名称（支持向量机、逻辑回归、 神经网络），纵轴为其对应的预测精度。（5分）
得分 评卷人 三、主成分、聚类模型基础应用题（本大题共1小题，每题14分，共14分）今有我国各地区普通高等教育开展状况数据，具体见《高教数据.xlsx》，其中xl为每百 万人口高等院校数：x2为每十万人口高等院校毕业生数；x3为每十万人口高等院校招 生数；x4为每十万人口高等院校在校生数：x5为每十万人口高等院校教职工数：x6为 每十万人口高等院校专职教师数；x7为高级职称占专职教师比例：x8为平均每所高等 院校的在校生数；X9为国家财政预算内普通高教经费占国内生产总值比重；X10为生均 教育经费）。
建一个Python脚本文件，命名为test3.py,完成以下任务：
1）对以上指标数据做主成分分析，并提取其主成分，要求累计贡献率到达90%以上。 （7分）2）基于提取的主成分，对以上30个地区做K-均值聚类分析（K=4）,并将地区名称和 所属的类别在命令窗口中输出聚类结果。（7分）
得分 评卷人 四、关联规那么算法基础应用题（本大题共1小题，每题16分，共16分）假设有以下数据集，每行代表一个顾客在超市的购买记录：
H:西红柿、排骨、鸡蛋、毛巾、水果刀12:西红柿、茄子、水果刀、香蕉13:鸡蛋、袜子、毛巾、肥皂、水果刀14:西红柿、排骨、茄子、毛巾、水果刀
15:西红柿、排骨、酸奶16:鸡蛋、茄子、酸奶、肥皂、香蕉17:排骨、鸡蛋、茄子、水果刀18： 土豆、鸡蛋、袜子、香蕉、水果刀
19:西红柿、排骨、鞋子、土豆、香蕉建一个Pylhon脚本，命名为tcst4.py,完成以卜.任务：
I）将以上购买记录转换为布尔类型数据，其数据结构为DataFrame （10分）2）利用Apriori关联规那么挖掘算法函数进行关联规那么挖掘，最小支持度和最小置信度 分别为0.2和0.4,并将挖掘结果导出到Excel表格中（6分）字段依次表示指数代码、交易日期、开盘价、最高价、最低价、收盘价、成交量。
得分
评卷入
五、综合应用案例分析题（本大题共1小题,
每题20分,

共20分）

今有沪深300指数2014年的交易数据，其数据结构表3所示。
表3沪深300指数2014年交易数据

Indexed
IdxtrdOl
Idxtrd02
Idxtrd03
IdxtrdOl
Idxtrd05
Idxtrd06
0003002014-01-02
2323. 43
2325. 99
2310. 65
2321.98
451942.9
000300
2014-01-03
2311.97
2314. 84
2280. 89
2290. 78
597826. 5
0003002014-01-06
2286. 37
2286. 37
2229. 33
2238.61
663001
000300
2014-01-07
2222. 31
2246. 79
2218. 65
2238
437531
000300
2014-01-08
2240. 64
2262. 58
2228. 42
2241.91
513488.5
0003002014-01-09
2236. 97
2258. 89
2220. 8
2222. 22
559870. 4
000300
2014-01-10
2216. 52
2224.49
2200. 22
2204. 85
541692.9
0003002014-01-13
2207
2222. 07
2183.6
2193. 68
501227.7
000300
^014-01-14
2192. 84
2214.12
2179.91
2212. 85
540499. 5
000300 2014-01-15
2210. 02
2215.9
2193.8
2208. 91
489624
建一个Python脚本,命名test4.py,完成以下任务:
1）请计算如下指标：
A1 （收盘价/均价）：即收盘价/过去10个交易日的移动平均收盘价A2 （现量/均量）：即成交量/过去10个交易H的移动平均成交量A3 （收益率）：（当日收盘价-前日收盘价）/前日收盘价A4 （最高价/均价）：最高价/过去10个交易日的移动均平均收盘价
A5 （最低价/均价）：最低价/过去10个交易日的移动平均收盘价A6 （极差）：最高价•最低价（衡量波动性）A7 （瞬时收益）：收盘价-开盘价Y （决策变量）：后交易R收盘价-当前交易日收盘价，如果大于0,记为1;如果小 于等于0,记为-lo
同时对指标A1~A7作标准化处理：（当前值-均值）/标准差，最终得到以下标准的数 据结构形式：
ID Al A2 A3 A4 A5 A6 A7 Y123
456（10 分）
2）取后30条记录作为测试样本，剩下的数据记录为训练样本，利用支持向量机模型 进行训练及测试，获得模型的准确率和预测准确率，分别记为score和Rv,并在命令窗 口中输出score和Rv。（10分）评分标准与参考答案（2018—2019学年度第一学期）
《金融数据分析（技能基础）》课程（A回/B 口卷）作答说明：1.将程序拷贝到对应题目下面，并将运行结果（局部）截图放在程序后面。
课程代码

考核形式
机试
考试班级
信本161班
考核H期
20 19 年 1 月 11 H
考核时长
180分钟
命题教师签名

教研室主任签名

主管学院领导签名

题号
一
二
三
四
五
六

总分
分值
20
30
14
16
20

1 0 0
炳分

统^人

核分人

.另建一个文件夹，命名：答题程序，存放每题程序及数据文件，最后压缩。
得分
评卷人

2 .将I和2的文件压缩，命名：学号（完整）+姓名，并提交。
一、程序计算综合应用题（本大题共1小题，每题20分，共20分）
“拍照赚钱”是移动互联网下的一种自助式服务模式。用户下载APP,注册成为 APP的会员，然后从APP上领取需要拍照的任务（比方上超市去检杳某种商品的上架情 况），赚取APP对任务所标定的酬金。这种基于移动互联网的Fl助式劳务众包平台，为 企业提供各种商业检查和信息，相比传统的市场调查方式可以大大节省调查本钱, 而且有效地保证了调查数据真实性，缩短了调查的周期。因此APP成为该平台运行的 核心，而APP中的任务定价又是其核心要素。如果定价不合理，有的任务就会无人问 津，而导致商品检存的失败。
附件一是一个已结束工程的任务数据，包含了每个任务的位置、定价和完成情况 （“1”表示完成，“0”表示未完成）：附件二是会员信息数据，包含了会员的位置、信 誉值、参考其信誉给出的任务开始预订时间和预订限额，原那么上会员信誉越高，越优先 开始挑选任务，其配额也就越大（任务分配时实际上是根据预订限额所占比例进行配 发）。附件一和附件二的表结构如表1和表2所示。
表1附件一：已结束工程任务数据表2附件二：会员信息数据
任务号码
任务gps纬度
任务gps经度
任务标价
任务执行情况
A0001
22.56614225
113.9808368
66
0
A0002
22.68620526
113.9405252
65. 5
0
A0003
22.57651183
113. 957198
65.5
1
A0001
22.56484081
114.2445711
75
0
A0005
22.55888775
113.9507227
65.5
0
A0006
22. 55899906
114.2413174
75
0
A0007
22.54900371
113.9722597
65.5
1
A0008
22.56277351
113.9565735
65.5
0
会员编号
会员位置（GPS）
预订任务 限额
预订任务开
始时间
信誉值
B0001
22. 947097 113. 679983
114
6:30:00
67997. 3868
B0002
22. 577792 113. 966524
163
6:30:00
37926. 5416
B0003
23. 192458 113. 347272
139
6:30:00
27953. 0363