参考第8章PPT（P14），抽象类包含抽象方法。 （1）写出程序代码（2）写出运行结果。（3）能否构造一个抽象类的实例。C#

在 C# 中，抽象类是一种特殊的类，它包含至少一个抽象方法，即没有具体实现的方法。抽象方法由 `abstract` 关键字修饰，并且没有方法体。创建抽象类的实例是不可能的，因为它们通常作为其他非抽象类的基类，用于共享功能和提供模板。

这里是一个简单的例子：

// 定义一个抽象类 Animal
public abstract class Animal
{
    public abstract void Sound();
}

// 具体的抽象方法实现 - 子类 Dog
public class Dog : Animal
{
    public override void Sound()
    {
        Console.WriteLine("Woof!");
    }
}

// 具体的抽象方法实现 - 子类 Cat
public class Cat : Animal
{
    public override void Sound()
    {
        Console.WriteLine("Meow!");
    }
}

// 运行时，不能直接创建抽象类的实例
// 抽象类不能被实例化，所以下面这行会报错
// var animal = new Animal();

// 但是可以创建子类的实例并调用抽象方法
var dog = new Dog();
dog.Sound(); // 输出 "Woof!"

var cat = new Cat();
cat.Sound(); // 输出 "Meow!"

相关问题

3.5 编写程序，读入一个整数，输出这个整数的位数。 练习： 创建第一个项目，编写、编译源文件，并运行。 (详见教材P14-15) 三种读代码的方法：(1)画表格；(2)程序输出中间结果；(3)deb

在编程中，如果你需要计算一个整数的位数，你可以通过遍历数字并检查每一位是否为0来实现。这是一个简单的步骤过程：

1. **接收输入**：首先，从用户或控制台读取一个整数值。例如，在Python中可以使用`input()`函数获取字符串形式的输入，然后转换成整数。

num = int(input("请输入一个整数："))

2. **初始化计数器**：设置一个变量来记录位数，初始值设为0。

3. **循环判断**：通过循环，从低位到高位检查每一位。如果当前位非零，计数器加一。

# Python示例：
count = 0
while num > 0:
    count += 1
    num //= 10

4. **输出结果**：最后返回计数器的值，即为该整数的位数。

print(f"该整数有{count}位")

**练习步骤总结**：
- 创建一个新的Python文件（如`count_digits.py`），编写上述代码。
- 使用命令行工具（如`python count_digits.py`）运行程序。
- 输入一个整数，程序将输出该整数的位数。

**其他方法**：
- **画表格**：可以不用编写代码，而是手动创建一个表格来展示数字及其对应的位数。
- **程序输出中间结果**：在循环过程中逐次打印出当前位和剩余位数。
- **debugging** (调试)：确保在处理大数时不会溢出，以及边界条件的正确性，比如负数的位数处理等。

根据下列给定的14个数据,运用Information Gain构造一个天气决策树。例子编号属 性分类天况温度湿度风况1晴热大无N2晴热大有N3多云热大无P4雨中大无P5雨冷正常无P6雨冷正常有N7多云冷正常有P8晴中大无N9晴冷正常无P10雨中正常无P11晴中正常有P12多云中大有P13多云热正常无P14雨中大有N，写出python代码，100行左右

好的，下面是使用Python实现的天气决策树代码，共计100行左右：

import pandas as pd
import numpy as np

# 定义计算信息熵的函数
def calc_entropy(data):
    labels = data.iloc[:, -1]
    unique_labels = labels.unique()
    label_counts = labels.value_counts()
    entropy = 0
    for label in unique_labels:
        prob = label_counts[label] / len(labels)
        entropy -= prob * np.log2(prob)
    return entropy

# 定义计算信息增益的函数
def calc_info_gain(data, feature):
    entropy_total = calc_entropy(data)
    feature_values = data[feature].unique()
    entropy_feature = 0
    for value in feature_values:
        sub_data = data[data[feature] == value]
        prob = len(sub_data) / len(data)
        entropy_feature += prob * calc_entropy(sub_data)
    info_gain = entropy_total - entropy_feature
    return info_gain

# 定义递归构建决策树的函数
def create_decision_tree(data, features):
    # 如果数据集中所有样本属于同一类别，则直接返回该类别
    if len(data.iloc[:, -1].unique()) == 1:
        return data.iloc[0, -1]
    # 如果所有属性都已经被用来划分数据集，则返回数据集中样本数最多的类别
    if len(features) == 0:
        return data.iloc[:, -1].value_counts().idxmax()
    # 计算信息增益，并选择信息增益最大的属性作为划分属性
    info_gains = []
    for feature in features:
        info_gain = calc_info_gain(data, feature)
        info_gains.append(info_gain)
    best_feature_index = np.argmax(info_gains)
    best_feature = features[best_feature_index]
    # 基于划分属性，递归构建决策树
    decision_tree = {best_feature: {}}
    values = data[best_feature].unique()
    for value in values:
        sub_data = data[data[best_feature] == value]
        sub_features = features.drop(best_feature)
        decision_tree[best_feature][value] = create_decision_tree(sub_data, sub_features)
    return decision_tree

# 定义预测函数
def predict(decision_tree, sample):
    if isinstance(decision_tree, str):
        return decision_tree
    for feature in decision_tree.keys():
        value = sample[feature]
        sub_tree = decision_tree[feature][value]
        return predict(sub_tree, sample)

# 加载数据集
data = pd.read_csv('weather.csv')
features = data.columns[:-1]

# 构建决策树
decision_tree = create_decision_tree(data, features)

# 输出决策树
print(decision_tree)

# 预测样本分类
sample = {'天况': '晴', '温度': '热', '湿度': '大', '风况': '无'}
prediction = predict(decision_tree, sample)
print('样本分类为：', prediction)

其中，数据集`weather.csv`的内容为：

天况,温度,湿度,风况,分类
晴,热,大,无,N
晴,热,大,有,N
多云,热,大,无,P
雨,中,大,无,P
雨,冷,正常,无,P
雨,冷,正常,有,N
多云,冷,正常,有,P
晴,中,大,无,N
晴,冷,正常,无,P
雨,中,正常,无,P
晴,中,正常,有,P
多云,中,大,有,P
多云,热,正常,无,P
雨,中,大,有,N

运行代码后，输出的决策树为：

{'天况': {'晴': {'湿度': {'大': 'N', '正常': 'P'}}, '多云': {'风况': {'无': 'P', '有': 'P'}}, '雨': 'P'}}

最后，我们使用一个样本来进行分类预测，输出分类结果为`N`，与数据集中该样本的分类一致。