算法创作|随机出10道题并计算正确率问题解决方法

简介: 算法创作|随机出10道题并计算正确率问题解决方法

问题描述

用文字描述要解决的问题是什么。

示例:随机出10道题并计算正确率

输入:你的结果

输出:你是否正确并出下一道题,10道题之后计算正确率


解决方案

+-*/四个算数运算符号随机选择,n1代表随机在100数字以内选取一个数字,n2代表随机在1100以内选取一个数字,n2可能作为分母,所以不能取到0,其他范围可以改,并按照格式化输出的形式编排成一个算数式,用for循环实现循环出10道题。

2.判断随机选取的符号,如果是对应的符号,则答案为对应数字中间为对应符号计算答案,此答案代表正确答案。

3.设置一个输出,此输出为你的答案,如果选择123则表示退出,如果继续作答则继续计算你的算数式并写出你的结果,判断你的结果与正确结果是否相等,如果不相等则进入下一道题,如果相等则进入下一道题,并将正确的题数进行计数,10道题结束之后就计算你在10道题里面的正确率。

代码清单 1 DFS求解1100求和问题Python代码

Courier New字体,23磅行间距

import random

count = 0

for i in range(10):

    fuhaolist = ['+','-','*','/']

    fuhao = random.choice(fuhaolist)

    n1 = random.randint(0,100)

    n2 = random.randint(1,100)

    print(f'{n1}{fuhao}{n2}=')

# 计算正确率

    if fuhao == '+':

        asw = n1 + n2

    elif fuhao == '-':

        asw = n1 - n2

    elif fuhao == '*':

        asw = n1 * n2

    elif fuhao == '/':

        asw = round(n1 / n2,2)

 

    your_asw = eval(input('请输入答案,退出请按123'))

 

    if your_asw == asw:

        count +=1

    elif your_asw == 123:

        print('退出')

        break

    else:

        print('回答错误')

percent = (count/10)*100

print(f'你一共答对了{count}道题,正确率为{percent}%')


结语

本文章是解决随机选取问题以及用格式化输出编排格式,但是就只用到了+-*/四个运算符号,而且所出的题也比较简单,所以后续还需要更加完善里面的算法。


目录
相关文章
|
1月前
|
存储 分布式计算 算法
大数据-106 Spark Graph X 计算学习 案例:1图的基本计算、2连通图算法、3寻找相同的用户
大数据-106 Spark Graph X 计算学习 案例:1图的基本计算、2连通图算法、3寻找相同的用户
60 0
|
1月前
|
JSON 算法 数据可视化
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
这篇文章是关于如何通过算法接口返回的目标检测结果来计算性能指标的笔记。它涵盖了任务描述、指标分析(包括TP、FP、FN、TN、精准率和召回率),接口处理,数据集处理,以及如何使用实用工具进行文件操作和数据可视化。文章还提供了一些Python代码示例,用于处理图像文件、转换数据格式以及计算目标检测的性能指标。
63 0
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
|
2月前
|
算法 C++
如何精确计算出一个算法的CPU运行时间?
如何精确计算出一个算法的CPU运行时间?
|
2月前
|
算法 数据可视化 数据安全/隐私保护
基于LK光流提取算法的图像序列晃动程度计算matlab仿真
该算法基于Lucas-Kanade光流方法,用于计算图像序列的晃动程度。通过计算相邻帧间的光流场并定义晃动程度指标(如RMS),可量化图像晃动。此版本适用于Matlab 2022a,提供详细中文注释与操作视频。完整代码无水印。
|
3月前
|
算法 Go Python
[算法]计算斐波拉契数列
[算法]计算斐波拉契数列
|
3月前
|
算法
计算空间物体包围球的两种算法实现
计算空间物体包围球的两种算法实现
48 0
|
5月前
|
机器学习/深度学习 算法
**反向传播算法**在多层神经网络训练中至关重要,它包括**前向传播**、**计算损失**、**反向传播误差**和**权重更新**。
【6月更文挑战第28天】**反向传播算法**在多层神经网络训练中至关重要,它包括**前向传播**、**计算损失**、**反向传播误差**和**权重更新**。数据从输入层流经隐藏层到输出层,计算预测值。接着,比较预测与真实值计算损失。然后,从输出层开始,利用链式法则反向计算误差和梯度,更新权重以减小损失。此过程迭代进行,直到损失收敛或达到训练次数,优化模型性能。反向传播实现了自动微分,使模型能适应训练数据并泛化到新数据。
69 2
|
5月前
|
算法 C++
【数据结构与算法】:关于时间复杂度与空间复杂度的计算(C/C++篇)——含Leetcode刷题-2
【数据结构与算法】:关于时间复杂度与空间复杂度的计算(C/C++篇)——含Leetcode刷题
|
5月前
|
算法 C++
【数据结构与算法】:关于时间复杂度与空间复杂度的计算(C/C++篇)——含Leetcode刷题-1
【数据结构与算法】:关于时间复杂度与空间复杂度的计算(C/C++篇)——含Leetcode刷题
|
5月前
|
机器学习/深度学习 自然语言处理 算法
心得经验总结:机器翻译评测——BLEU算法详解(新增在线计算BLEU分值)
心得经验总结:机器翻译评测——BLEU算法详解(新增在线计算BLEU分值)
134 0