鸡兔同笼：今有雉兔同笼上有三十五头下有九十四足问雉兔各几何？有若干只鸡兔同在一个笼子里，从上面数，有35个头，从下面数，有94只脚。问笼中各有多少只鸡和兔？

def chicken_rabbit(num_heads, num_feet):
    rabbit = (num_feet - 2 * num_heads) / 2
    chicken = num_heads - rabbit
    if rabbit >= 0 and chicken >= 0 and rabbit == int(rabbit) and chicken == int(chicken):
        return int(chicken), int(rabbit)
    else:
        return "无解"

heads = 35
feet = 94
result = chicken_rabbit(heads, feet)
print(result)

不知道你这个问题是否已经解决, 如果还没有解决的话:

帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/7731759
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：数据处理之 — 归一化，标准化，正则化，不同数据区间的映射
除此之外, 这篇博客: 【爬虫+文本分类】--新浪各类新闻标题，并用各类算法进行文本分类中的 第四部分：不同词向量-不同算法-画图组合 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:
**
对于多分类问题：
1）每一类别的roc曲线：
构建将类别进行二值化（类似onehot）的真实Y值矩阵，即标签矩阵；
根据模型预测得到的预测Y值各类别概率的矩阵；------根据概率矩阵，生成预测Y值对应的二值化矩阵（即将概率最大的类别位置置为1，其他类别对应位置置为0），即预测矩阵
根据各类别的标签矩阵及预测矩阵，可以计算出各个阈值下的假正例率（FPR）和真正例率（TPR），从而绘制出一条ROC曲线，即该类别对应的ROC曲线。
2）总体模型的roc曲线：
方法一：上述N条ROC曲线取平均，即可得到最终的ROC曲线----记为ROC[‘macro’]。
方法二：首先，对于一个测试样本：1）标签只由0和1组成，1的位置表明了它的类别（可对应二分类问题中的‘’正’’），0就表示其他类别（‘’负‘’）；2）要是分类器对该测试样本分类正确，则该样本标签中1对应的位置在概率矩阵P中的值是大于0对应的位置的概率值的。基于这两点，将标签矩阵和预测矩阵分别按行平铺展开，转置后形成两列，这就得到了一个二分类的结果。根据这两列直接得到最终的ROC曲线----记为ROC[‘micro’]
各【词向量+模型】分类效果如下：

由上面六张roc图可以看出：对于小样本数据：
1）tfidf-朴素贝叶斯，无论是单标签分类还是整体模型，效果都是最好的，其次是tfidf-svm模型，其次是LSTM，最后是CNN
2）由于用目前仅由的样本数据训练的word2vec，效果并没有显现出来，与一般tokenize后embedding的效果相差不大
您还可以看一下数智优佳学堂老师的智慧城市之智慧中台专题-数字孪生城市架构解决方案课程中的如何实现“规建管”协同管控，助力一张蓝图干到底小节, 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 ^-^

鸡兔同笼： 今有雉兔同笼 上有三十五头 下有九十四足 问雉兔各几何？有若干只鸡兔同在一个笼子里，从上面数，有35个头，从下面数，有94只脚。问笼中各有多少只鸡和兔？

鸡兔同笼：今有雉兔同笼上有三十五头下有九十四足问雉兔各几何？有若干只鸡兔同在一个笼子里，从上面数，有35个头，从下面数，有94只脚。问笼中各有多少只鸡和兔？