求这个问题的答案，这个代码应该怎么写啊

关于如何模拟购物车的购物过程，求各位指点，真的不会啊，可以写出代码来看看吗

# 存放商品数据
goods_list = []

# 输入商品的个数
n = 5
# 添加商品数据
index = 0
while index < n:
    goods_str = input("请输入商品编号和商品名称进行商品入库，每次只能输入一件商品：\n").strip().split(" ")
    goods_dict = {"number": goods_str[0], "name": goods_str[1]}
    goods_list.append(goods_dict)
    index += 1

# 显示已添加的商品列表
for value in goods_list:
    print("%s %s" % (value.get("number"), value.get("name")))

search_number = input("请输入要购买的商品的编号：\n")
for value in goods_list:
    number = value.get("number")
    if search_number == number:
        print(f"您购物车里已经选择的商品位：\n {number} {value.get('name')}")
        break
else:
    print("您输入的商品编号不存在")

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 你可以参考下这个问题的回答, 看看是否对你有帮助, 链接: https://ask.csdn.net/questions/7692930
• 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：窗函数的介绍以及画出常见窗函数（汉宁窗，矩形窗，汉明窗，布莱克曼窗）的时域图和频谱图
• 除此之外, 这篇博客: 求解驾驶时间和等待时间，复现【城市纯电动汽车快速充电设施的布局选址优化模型研究】论文中的排队模型中的 复现代码 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
  

  下面展示一些 内联代码片。

  
  import numpy as np
  
  def driving_time_one_moment(W_I,M_J,TRAVELTIME_IJ,Y_IJ):
      print(np.sum(np.dot(np.dot(W_I,Y_IJ),TRAVELTIME_IJ.T)))
      return np.sum(np.dot(np.dot(W_I,Y_IJ),TRAVELTIME_IJ.T))
  
  def waiting_time_one_moment(W_I,M_J,TRAVELTIME_IJ,Y_IJ):
      tc=8           # 服务时间，24小时提供服务；
      tf=2           #每辆车充电时长；
      # 第一步：计算用户达到率
      Tao_J=np.dot(W_I,Y_IJ/tc)
  
      # 第二步：单位时间内充电站平均服务能力
      U_J=M_J/tf
  
      # 第三步：充电站排队系统服务强度：，由于ROU_J会存在大于1的情况，从而会促使后面求解
      ROU_J=Tao_J/U_J
  
      # 第四步：充电站内充电桩全部空闲概率：
      P_J=np.full(shape=(1,M_J.shape[1]),fill_value=0.0)
      for j in range(M_J.shape[1]):
          temp = 0
          for k in range(M_J.shape[1]):
              temp+=(np.power(M_J[0,j]*ROU_J[0,j],k))/(np.math.factorial(k))
          p_j0=1/(temp+(np.power(M_J[0,j]*ROU_J[0,j],M_J[0,j]))/(np.math.factorial(M_J[0,j])*(1-ROU_J[0,j])))
          P_J[0,j]=p_j0
  
      # 第五步：计算排队等候时间期望
      W_Jq=np.full(shape=(1,M_J.shape[1]),fill_value=0.0)
      for j in range(M_J.shape[1]):
          w_jq=(np.power(M_J[0,j],M_J[0,j])*np.power(ROU_J[0,j],M_J[0,j]+1)*P_J[0,j])/(ROU_J[0,j]*np.math.factorial(M_J[0,j])*np.power(1-ROU_J[0,j],2))
          W_Jq[0,j]=w_jq
  
      # 第六步：所有用户的总的等待花费时间
      T2=0
      for j in range(M_J.shape[1]):
          T2+=W_Jq[0,j]*Tao_J[0,j]*tc
      print(T2)
  
  if __name__ == '__main__':
      # 需求量；
      W_I = np.array([[10, 20, 30, 50]])
      # 充电桩供给量；
      M_J = np.array([[5, 10, 15]])
      # 行是demand，列是provider
      TRAVELTIME_IJ = np.array([[1, 1.5, 2.5],
                                [1.5, 1, 2],
                                [1, 1.5, 1],
                                [2.5, 1.5, 1]])
      # 出行时间的阻尼函数，衰减函数
      F_DIJ = 1 / TRAVELTIME_IJ
      Sum_Dij_I = np.sum(F_DIJ, axis=1)
      # 计算选择权重
      Y_IJ = np.full(shape=(TRAVELTIME_IJ.shape), fill_value=0.0)
      for i in range(W_I.shape[1]):
          Y_IJ[i, :] = F_DIJ[i, :] / Sum_Dij_I[i]
  
      # 计算驾车时间
      driving_time_one_moment(W_I,M_J,TRAVELTIME_IJ,Y_IJ)
      # 计算等候时间
      waiting_time_one_moment(W_I,M_J,TRAVELTIME_IJ,Y_IJ)
  

• 您还可以看一下 纪佳琪老师的机器学习之聚类、主成分分析理论与代码实践课程中的 协方差矩阵的特征值分解算法代码实现小节, 巩固相关知识点
  

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^