群答疑随手记:文本文件中保存了学生多次测试的成绩。每个学生每次测试成绩占一行,某行数据如:0001 小明 95 请统计每个学生的平均分。

简介: 群答疑随手记:文本文件中保存了学生多次测试的成绩。每个学生每次测试成绩占一行,某行数据如:0001 小明 95 请统计每个学生的平均分。

 目录

一、题目

二、数据样例

三、实验代码

四、实验结果


一、题目

image.gif

       文本文件中保存了学生多次测试的成绩。每个学生每次测试成绩占一行,某行数据如:0001 小明 95 请统计每个学生的平均分。

二、数据样例

image.gif

三、实验代码

import csv
rows3 = ['Num', 'Name', 'Avg_grade']
f = open("../source/result.csv", 'a', newline='', encoding='utf-8')
writer = csv.writer(f)
writer.writerow(rows3)
f.close()
f = open("../source/stu_score.txt",'r', encoding='gbk')
score = []
num = []
name = []
score_m = 0
count = 0
for line in f:
    score.append(line.split()[2].strip())
    num.append(line.split()[0].strip())
    name.append(line.split()[1].strip())
f.close()
num_del = list(set(num))
for i in num_del:
    for j in num:
        if i==j:
            index = [p for p,v in enumerate(num) if v ==j]
            h_name = name[num.index(j)]
            break
    count = len(index)
    for m in index:
        score_m = score_m + int(score[m])
    avg = score_m/count
    print("学号为:",i,"的学生",h_name,"平均成绩为:",avg)
    rows3 = [i, h_name, avg]
    f = open("../source/result.csv", 'a', newline='',encoding='utf-8')
    writer = csv.writer(f)
    writer.writerow(rows3)
    f.close()
    count = 0
    score_m = 0
    avg = 0

image.gif

(本代码为参考解答,非最优解,可精简)

四、实验结果

image.gif

写入csv:

image.gif

打开查看:

image.gif

相关文章
|
4天前
|
数据采集 算法 测试技术
【硬件测试】基于FPGA的QPSK调制解调系统开发与硬件片内测试,包含信道模块,误码统计模块,可设置SNR
本文介绍了基于FPGA的QPSK调制解调系统的硬件实现与仿真效果。系统包含测试平台(testbench)、高斯信道模块、误码率统计模块,支持不同SNR设置,并增加了ILA在线数据采集和VIO在线SNR设置功能。通过硬件测试验证了系统在不同信噪比下的性能,提供了详细的模块原理及Verilog代码示例。开发板使用说明和移植方法也一并给出,确保用户能顺利在不同平台上复现该系统。
42 15
|
2天前
|
开发框架 .NET Java
C#集合数据去重的5种方式及其性能对比测试分析
C#集合数据去重的5种方式及其性能对比测试分析
25 11
|
4天前
|
开发框架 .NET Java
C#集合数据去重的5种方式及其性能对比测试分析
C#集合数据去重的5种方式及其性能对比测试分析
30 10
|
12天前
|
数据采集 算法 数据安全/隐私保护
【硬件测试】基于FPGA的2FSK调制解调系统开发与硬件片内测试,包含信道模块,误码统计模块,可设置SNR
本文介绍了基于FPGA的2FSK调制解调系统,包含高斯信道、误码率统计模块及testbench。系统增加了ILA在线数据采集和VIO在线SNR设置模块,支持不同SNR下的硬件测试,并提供操作视频指导。理论部分涵盖频移键控(FSK)原理,包括相位连续与不连续FSK信号的特点及功率谱密度特性。Verilog代码实现了FSK调制解调的核心功能,支持在不同开发板上移植。硬件测试结果展示了不同SNR下的性能表现。
52 6
|
2月前
|
机器学习/深度学习 算法 UED
在数据驱动时代,A/B 测试成为评估机器学习项目不同方案效果的重要方法
在数据驱动时代,A/B 测试成为评估机器学习项目不同方案效果的重要方法。本文介绍 A/B 测试的基本概念、步骤及其在模型评估、算法改进、特征选择和用户体验优化中的应用,同时提供 Python 实现示例,强调其在确保项目性能和用户体验方面的关键作用。
36 6
|
2月前
|
机器学习/深度学习 算法 UED
在数据驱动时代,A/B 测试成为评估机器学习项目效果的重要手段
在数据驱动时代,A/B 测试成为评估机器学习项目效果的重要手段。本文介绍了 A/B 测试的基本概念、步骤及其在模型评估、算法改进、特征选择和用户体验优化中的应用,强调了样本量、随机性和时间因素的重要性,并展示了 Python 在 A/B 测试中的具体应用实例。
31 1
|
3月前
|
存储 测试技术 数据库
数据驱动测试和关键词驱动测试的区别
数据驱动测试 数据驱动测试或 DDT 也被称为参数化测试。
38 1
|
3月前
|
机器学习/深度学习 监控 计算机视觉
目标检测实战(八): 使用YOLOv7完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
本文介绍了如何使用YOLOv7进行目标检测,包括环境搭建、数据集准备、模型训练、验证、测试以及常见错误的解决方法。YOLOv7以其高效性能和准确率在目标检测领域受到关注,适用于自动驾驶、安防监控等场景。文中提供了源码和论文链接,以及详细的步骤说明,适合深度学习实践者参考。
648 0
目标检测实战(八): 使用YOLOv7完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
|
3月前
|
机器学习/深度学习 并行计算 数据可视化
目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务(从数据准备到训练测试部署的完整流程)
这篇文章介绍了如何使用PaddleClas框架完成多标签分类任务,包括数据准备、环境搭建、模型训练、预测、评估等完整流程。
184 0
|
3月前
|
机器学习/深度学习 数据采集 算法
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)
这篇博客文章介绍了如何使用包含多个网络和多种训练策略的框架来完成多目标分类任务,涵盖了从数据准备到训练、测试和部署的完整流程,并提供了相关代码和配置文件。
70 0
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)