2022-2023-2扩展题库：第4章 把由负整数构成的列表中的每个数转换成二进制补码形式

2022-2023-2扩展题库：第4章 把由负整数构成的列表中的每个数转换成二进制补码形式
【问题描述】

已知一个列表，这个列表中的每个元素都是负整数，依次把这个列表中的每个数转成用32位二进制表示的补码形式，放入另外一个列表进行输出。
【输入形式】

用列表的形式进行输入，包括方括号，每个元素用逗号分隔
【输出形式】

直接用print输出列表
【样例输入】

[-1,-2,-3]

【样例输出】

['0b11111111111111111111111111111111', '0b11111111111111111111111111111110', '0b11111111111111111111111111111101']

【样例说明】

输出列表中的每个元素，都是对应的负整数的二进制形式。
【评分标准】

通过所有测试数据

#input_list = [-1,-2,-3]
input_list = eval(input())
output_list = []

for num in input_list:
    binary_num = bin(num & 0xffffffff)
    output_list.append(binary_num)

print(output_list)

以下内容部分参考ChatGPT模型：

思路：遍历输入的列表，对每个元素进行二进制补码转换，并将结果添加到输出列表中，最后输出输出列表。

代码实现：

def twos_complement(nums):
    res = []
    for num in nums:
        binary = bin(num & int("1"*32, 2))[2:]  # 转换成32位二进制数
        complement = ("{0:0>32}".format(binary))  # 用0补齐到32位
        if num < 0:  # 负数要取反加一
            complement = complement.replace("0", "2").replace("1", "0").replace("2", "1")
        res.append("0b" + complement)  # 添加到输出列表中
    return res

nums = [-1, -2, -3]
print(twos_complement(nums))

输出：

['0b11111111111111111111111111111111', '0b11111111111111111111111111111110', '0b11111111111111111111111111111101']

如果我的建议对您有帮助、请点击采纳、祝您生活愉快

  • 这有个类似的问题, 你可以参考下: https://ask.csdn.net/questions/7775045
  • 除此之外, 这篇博客: 2020华数杯C题脱贫帮扶绩效评价你怕了吗？中的 问题二：160 个帮扶单位帮扶着基础不同的村庄，帮扶单位帮扶工作的态度、目标、投入、帮扶干部素质等显然是有差异的。仅仅用 2020 年各村庄评分高低显然是无法真正有效的体现一个帮扶单位在脱贫攻坚提升方面所做出的努力。请你运用附件的数据，阐明什么类型的帮扶单位，哪些帮扶单位在脱贫帮扶上面有较高的绩效？请给不同类型的帮扶单位绩效排序，给出脱贫帮扶绩效前十名的帮扶单位编号。 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:

  • 基本思路是：构造指标-计算各指标的权重-TOPSIS法进行评价
    为了有效凸显出五年来帮扶单位在脱贫攻坚提升方面所作出的努力，计算了各指标的增长率，即
    2020_SR/2015_SR,2020_CY/2015_CY,……,2020_ZF/2015_ZF
    主成分分析法是一种线性无监督的降维方法，可以通过主成分分析法计算各指标方差贡献率，以此作为各指标的权重。接着采用TOPSIS法进行评价，TOPSIS法是一种常用的组内综合评价方法，能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。基本过程为基于归一化后的原始数据矩阵，采用余弦法找出有限方案中的最优方案和最劣方案，然后分别计算各评价对象与最优方案和最劣方案间的距离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。该方法对数据分布及样本含量没有严格限制，数据计算简单易行。

    #构造评价指标
data_2 = pd.DataFrame(data.pivot_table(index=['帮扶单位(0-159)','村庄编号','帮扶单位类型（0-5)'],values=columns)).reset_index()
for j in range(6):
    data_2['{}_增长率'.format(j)] =  data_2.iloc[:,9+j]/data_2.iloc[:,j+3]
    
data_2 = data_2.drop(['帮扶单位(0-159)','村庄编号','帮扶单位类型（0-5)'],axis=1).drop(columns,axis=1)
c = ['CY_增长率','HJ_增长率','SR_增长率','SS_增长率','WJ_增长率','ZF_增长率']
data_2.columns = c

# 数据归一化
def Standard(data):
    return (data - data.min())/(data.max()-data.min())
data_2 = Standard(data_2)

# PCA计算指标权重
from sklearn.decomposition import PCA
from sklearn import preprocessing
pca = PCA(n_components=6)
pca.fit_transform(data_2)
weight = pca.explained_variance_ratio_  #方差贡献率
print(weight)

def topsis(data, weight):
    # 最优最劣方案
    Z = pd.DataFrame([data.min(), data.max()], index=['负理想解', '正理想解'])
    # 距离
    Result = data.copy()
    Result['正理想解'] = np.sqrt(((data - Z.loc['正理想解']) ** 2 * weight).sum(axis=1))
    Result['负理想解'] = np.sqrt(((data - Z.loc['负理想解']) ** 2 * weight).sum(axis=1))
    # 综合得分指数
    Result['综合得分指数'] = Result['负理想解'] / (Result['负理想解'] + Result['正理想解'])
    Result['排序'] = Result.rank(ascending=False)['综合得分指数']
    return Result
results = topsis(data_2,weight)

results['帮扶单位(0-159)'] = data['帮扶单位(0-159)']
results['帮扶单位类型（0-5)'] = data['帮扶单位类型（0-5)']
results.sort_values(by='排序').head(10)