作业八

用列表保存购物清单，练习添加、插入、删除、修改与排序。程序开始时购物清单为空列表。按下列顺序操作，每完成一步即打印当前清单。

1. 依次在末尾添加 "苹果"、"牛奶"、"面包"，打印清单。输出为 ['苹果', '牛奶', '面包']。
2. 在索引 1 处插入 "鸡蛋"，打印清单。输出为 ['苹果', '鸡蛋', '牛奶', '面包']。
3. 按值删除 "牛奶"，打印清单。输出为 ['苹果', '鸡蛋', '面包']。
4. 用 pop(1) 删除索引 1 处的元素，先打印被删除的元素，再打印清单。输出依次为 鸡蛋 与 ['苹果', '面包']。
5. 把索引 0 处的元素改为 "红苹果"，打印清单。输出为 ['红苹果', '面包']。
6. 用 extend() 追加 ["酸奶", "香蕉"]，打印清单及其长度。输出依次为 ['红苹果', '面包', '酸奶', '香蕉'] 与 4。
7. 按默认顺序排序，打印清单。输出为 ['红苹果', '酸奶', '面包', '香蕉']。
8. 再按倒序排序，打印清单。输出为 ['香蕉', '面包', '酸奶', '红苹果']。

• 第 3、4 步各用一种删除方法，并在注释中写明 remove() 与 pop() 在参数和返回值上的区别。
• 第 7、8 步各调用一次 sort()，第 8 步不得重建列表。
• 每行输出前加一行说明文字，写明这是第几步、做了什么操作。

sort() 对字符串按字符的 Unicode 码点比较，「红」(U+7EA2) < 「酸」(U+9178) < 「面」(U+9762) < 「香」(U+9999)，因此第 7 步的顺序由码点决定。若需按拼音排序，可给 sort() 传入 key 参数，本题不要求。第 7、8 步的结果依赖前面各步：若前面某步的输出与预期不符，这两步也会随之不同。

给定下列成绩与姓名列表，完成统计与排名。两个列表按下标一一对应。

scores = [72, 88, 95, 64, 81, 90, 77]
names = ["陈思远", "林雨欣", "周子涵", "孙嘉怡", "黄俊杰", "吴雅雯", "徐浩然"]

• 打印人数、最高分、最低分、总分与平均分。输出依次为 人数：7、最高分：95、最低分：64、总分：567、平均分：81.0（平均分保留 1 位小数）。统计量使用 len()、max()、min()、sum() 计算。
• 用 sorted() 打印升序排列的成绩，输出为 [64, 72, 77, 81, 88, 90, 95]；紧接着打印原列表 scores，并在输出中说明 sorted() 之后原列表是否改变。原列表的打印结果为 [72, 88, 95, 64, 81, 90, 77]。
• 用 sorted() 与切片打印前三高的分数，输出为 [95, 90, 88]。
• 用 enumerate() 按列表原顺序打印序号，格式为「序号1：陈思远，72分」，第 1 至第 3 行依次为 序号1：陈思远，72分、序号2：林雨欣，88分、序号3：周子涵，95分。
• 用 zip() 并行遍历，用列表推导式输出成绩不低于 85 的姓名，输出为 ['林雨欣', '周子涵', '吴雅雯']。
• 用 zip() 找出成绩最高的人，按其姓名输出，输出为 周子涵。
• 在代码注释或输出中说明 sorted() 与 sort() 的区别，并说明本题第 2 项为何只能选用 sorted()。

给定一周七天的最高气温（单位：摄氏度），用列表推导式完成换算、筛选与分级。

celsius = [22, 28, 31, 26, 29, 33, 24]

• 用列表推导式把每天气温换算为华氏温度，按「华氏 = 摄氏 × 9 / 5 + 32」计算，保留 1 位小数。输出为 [71.6, 82.4, 87.8, 78.8, 84.2, 91.4, 75.2]。
• 计算一周平均气温，保留 1 位小数。输出为 平均气温：27.6。
• 用带 if 的列表推导式筛选高于平均气温的各天气温，输出为 [28, 31, 29, 33]；并打印这样的天数，输出为 高于平均气温的天数：4。
• 用条件表达式生成新列表：气温达到 30 度的保持原值，其余记为 0，输出为 [0, 0, 31, 0, 0, 33, 0]。
• 用条件表达式生成等级列表：30 度及以上为 "炎热"，25 度及以上且不足 30 度为 "舒适"，其余为 "凉爽"。输出为 ['凉爽', '舒适', '炎热', '舒适', '舒适', '炎热', '凉爽']。
• 上述五项结果均须由列表推导式或条件表达式生成。
• 换算与筛选所使用的原始列表 celsius 全程保持不变，并在输出末尾打印一次 celsius。

使用 scikit-learn 自带的鸢尾花数据集（Iris），完成一次完整的线性回归建模、评估与预测。

• 安装库：pip install scikit-learn matplotlib。
• 用 from sklearn.datasets import load_iris 加载数据。先阅读 DESCR，弄清样本数、4 个特征的含义与类别数，再开始写代码。
• 打印样本数、特征名称（feature_names）与类别名称（target_names）。
• 用 matplotlib 画出「花瓣长度–花瓣宽度」散点图，三个类别各用一种颜色并附图例，坐标轴加名称。
• 以花瓣长度为自变量 x、花瓣宽度为因变量 y，用 LinearRegression 拟合回归直线，输出回归方程（斜率与截距保留 3 位小数）与决定系数 R²（保留 3 位小数）。本项使用全部 150 个样本拟合，不划分训练集与测试集。所得 R² 为拟合优度，与选做中划分数据后得到的测试集 R² 不是同一口径。
• 在散点图上叠加回归直线，保存为 iris_regression.png，并在输出中打印该文件名。本题无需上传图片。
• 用模型预测花瓣长度为 5.5 cm 时的花瓣宽度，打印预测值。
• 代码结构清晰，含必要注释。

若坐标轴使用中文标签而出现方块乱码，可设置 plt.rcParams['font.sans-serif']（Windows 用 SimHei，macOS 用 Arial Unicode MS）与 plt.rcParams['axes.unicode_minus'] = False；也可直接使用英文标签。

输出示例（数字以实际运行结果为准）：

=== 鸢尾花线性回归 ===
样本数：150
特征：['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
类别：['setosa' 'versicolor' 'virginica']

回归方程：petal width = 0.416 * petal length - 0.363
R²：0.927
图片已保存：iris_regression.png
预测：花瓣长度 5.5 cm 时，花瓣宽度约为 1.92 cm

选做：

• 三分类：用 4 个特征与 train_test_split（test_size=0.3，random_state=42）划分数据，用 LogisticRegression 或 KNeighborsClassifier 训练，输出测试集准确率与混淆矩阵。
• 稳定性检验：把 random_state 换成 5 个不同值重复实验，报告测试集准确率的波动范围，并用一两句话解释波动原因。
• 多特征回归：把 4 个特征全部作为自变量，用 train_test_split 划分训练集与测试集，分别报告训练集与测试集的 R²，并说明二者的差别说明什么。