用c语言写现在90号汽油6.95元/升、93号汽油7.44元/升、97号汽油7.93元/升。为吸引顾客,某自动加油站推出了“自助服务”和“协助服务”两个服务等级,分别可得到5%和3%的折扣。 本题要求编写程序,根据输入顾客的加油量a,汽油品种b(90、93或97)和服务类型c(m - 自助,e - 协助),计算并输出应付款。 输入格式: 输入在一行中给出两个整数和一个字符,分别表示顾客的加油量a,汽油品种b(90、93或97)和服务类型c(m - 自助,e - 协助)。 输出格式: 在一行中输出应付款额,保留小数点后2位。 输入样例: 40 97 m 输出样例: 301.34

时间: 2024-02-23 17:59:49 浏览: 22
好的,以下是C语言实现的代码: ```c #include <stdio.h> int main() { int a, b; char c; float price, discount, total; scanf("%d %d %c", &a, &b, &c); switch (b) { case 90: price = 6.95; break; case 93: price = 7.44; break; case 97: price = 7.93; break; } if (c == 'm') discount = 0.05; else if (c == 'e') discount = 0.03; total = a * price * (1 - discount); printf("%.2f", total); return 0; } ``` 这段代码中,我们使用了 `switch` 语句来根据输入的汽油品种 `b` 确定价格,然后根据输入的服务类型 `c` 确定折扣。最后,我们将应付款额打印到控制台上,保留两位小数。
相关问题

使用vue3写一段echarts散点图代码

好的,以下是使用Vue3和Echarts绘制散点图的代码示例: <template> <div class="scatter-chart"></div> </template> <script> import * as echarts from 'echarts'; export default { mounted() { const chartDom = this.$el; const myChart = echarts.init(chartDom); const option = { xAxis: {}, yAxis: {}, series: [{ symbolSize: 20, data: [ [10.0, 8.04], [8.0, 6.95], [13.0, 7.58], [9.0, 8.81], [11.0, 8.33], [14.0, 9.96], [6.0, 7.24], [4.0, 4.26], [12.0, 10.84], [7.0, 4.82], [5.0, 5.68] ], type: 'scatter' }] }; myChart.setOption(option); } }; </script> <style> .scatter-chart { height: 400px; } </style>

用mathematica作二维散点图,数据为1991.00 12.98 1992.00 11.63 1993.00 11.45 1994.00 11.21 1995.00 10.55 1996.00 10.42 1997.00 10.06 1998.00 9.14 1999.00 8.18 2000.00 7.58 2001.00 6.95 2002.00 6.45 2003.00 6.01 2004.00 5.87 2005.00 5.89 2006.00 5.28 2007.00 5.17 2008.00 5.08 2009.00 4.87 2010.00 4.79 2011.00 6.13 2012.00 7.44 2013.00 5.9 2014.00 6.71 2015.00 4.92 2016.00 6.53 2017.00 5.58 2018.00 3.78 2019.00 3.32 2020.00 1.45

你可以使用以下代码绘制二维散点图: ``` data = {{1991.00, 12.98}, {1992.00, 11.63}, {1993.00, 11.45}, {1994.00, 11.21}, {1995.00, 10.55}, {1996.00, 10.42}, {1997.00, 10.06}, {1998.00, 9.14}, {1999.00, 8.18}, {2000.00, 7.58}, {2001.00, 6.95}, {2002.00, 6.45}, {2003.00, 6.01}, {2004.00, 5.87}, {2005.00, 5.89}, {2006.00, 5.28}, {2007.00, 5.17}, {2008.00, 5.08}, {2009.00, 4.87}, {2010.00, 4.79}, {2011.00, 6.13}, {2012.00, 7.44}, {2013.00, 5.9}, {2014.00, 6.71}, {2015.00, 4.92}, {2016.00, 6.53}, {2017.00, 5.58}, {2018.00, 3.78}, {2019.00, 3.32}, {2020.00, 1.45}}; ListPlot[data, PlotStyle -> PointSize[0.02], Frame -> True, FrameLabel -> {"Year", "Value"}, PlotRange -> All] ``` 这段代码会将数据存储在`data`变量中,并使用`ListPlot`绘制散点图。`PlotStyle -> PointSize[0.02]`用于设置散点的大小,`Frame -> True`和`FrameLabel -> {"Year", "Value"}`用于添加坐标轴和标签,`PlotRange -> All`用于自适应调整坐标轴的范围。你可以将代码复制到Mathematica中运行。

相关推荐

根据以下代码的数据写MATLAB相应的散点图,并判断回归方程是否成立,回归模型是否显著,误差方差分析x=[15037 18.8 1366 17001 18 1519 18718 3.1 1644 21826 3.4 1893 26937 6.4 2311 35260 14.7 2998 48108 24.1 4044 59811 17.1 5046 70142 8.3 5846 78061 2.8 6420 83024 -0.8 6796 88479 -1.4 7159 98000 0.4 7858 108068 0.7 8622 119096 -0.8 9398 135174 1.2 10542 159587 3.9 12336 184089 1.8 14040 213132 1.5 16024 235367 1.7 17535 277654 1.9 19264]; y=[15.73 15.04 14.39 12.98 11.6 11.45 11.21 10.55 10.42 10.06 9.14 8.18 7.58 6.95 6.45 6.01 5.87 5.89 5.38 5.24 5.45]; [m,n]=size(x); X=[ones(m,1) x]; [m1,n1]=size(X); [m2,n2]=size(y); for i=1:n2 %b 为参数,bint 回归系数的区间估计,r 为残差, %rint 为置信区间,stats 用于回归模型检验 [b(:,i),bint,r,rint,stats(i,:)]=regress(y(:,i),X); [mm,nn]=size(b); for jj=1:m1 temp=0; for ii=1:mm yy(jj,i)=temp+b(ii,i)*X(jj,ii); temp=yy(jj,i); end end xiangdui_wucha(1,i)=abs(abs(y(1,i))-abs(yy(1,i)))/abs(y(1,i)); if n2~=1 subplot(2,n2/2,i); rcoplot(r,rint)%残差分析,作出残差及其置信区间 else rcoplot(r,rint)%残差分析,作出残差及其置信区间 end end disp('参数'); b %参数计算 disp('预测结果'); yy %检验回归模型:相关系数 r^2=stats(1,:)越接近 1 回归方程越显著 %F=stats(2,:)值越大回归方程越显著、p=stats(3,:)<0.01 时回归模型成立 disp('回归模型检验:'); format long stats for i=1:n2 if (stats(i,4)<0.01)&(stats(i,1)>0.6) disp('回归方程显著-------模型成立'); end end format short disp('相对误差'); xiangdui_wucha%第一行原始值与预测值的相对误差

用matlab根据以下代码给出的数据绘制多种图像x=[15037 18.8 1366 17001 18 1519 18718 3.1 1644 21826 3.4 1893 26937 6.4 2311 35260 14.7 2998 48108 24.1 4044 59811 17.1 5046 70142 8.3 5846 78061 2.8 6420 83024 -0.8 6796 88479 -1.4 7159 98000 0.4 7858 108068 0.7 8622 119096 -0.8 9398 135174 1.2 10542 159587 3.9 12336 184089 1.8 14040 213132 1.5 16024 235367 1.7 17535 277654 1.9 19264]; y=[15.73 15.04 14.39 12.98 11.6 11.45 11.21 10.55 10.42 10.06 9.14 8.18 7.58 6.95 6.45 6.01 5.87 5.89 5.38 5.24 5.45]; [m,n]=size(x); X=[ones(m,1) x]; [m1,n1]=size(X); [m2,n2]=size(y); for i=1:n2 %b 为参数,bint 回归系数的区间估计,r 为残差, %rint 为置信区间,stats 用于回归模型检验 [b(:,i),bint,r,rint,stats(i,:)]=regress(y(:,i),X); [mm,nn]=size(b); for jj=1:m1 temp=0; for ii=1:mm yy(jj,i)=temp+b(ii,i)*X(jj,ii); temp=yy(jj,i); end end xiangdui_wucha(1,i)=abs(abs(y(1,i))-abs(yy(1,i)))/abs(y(1,i)); if n2~=1 subplot(2,n2/2,i); rcoplot(r,rint)%残差分析,作出残差及其置信区间 else rcoplot(r,rint)%残差分析,作出残差及其置信区间 end end disp('参数'); b %参数计算 disp('预测结果'); yy %检验回归模型:相关系数 r^2=stats(1,:)越接近 1 回归方程越显著 %F=stats(2,:)值越大回归方程越显著、p=stats(3,:)<0.01 时回归模型成立 disp('回归模型检验:'); format long stats for i=1:n2 if (stats(i,4)<0.01)&(stats(i,1)>0.6) disp('回归方程显著-------模型成立'); end end format short disp('相对误差'); xiangdui_wucha%第一行原始值与预测值的相对误差

对以下多元回归分析MATLAB代码进行分析,残差分析,x=[15037 18.8 1366 17001 18 1519 18718 3.1 1644 21826 3.4 1893 26937 6.4 2311 35260 14.7 2998 48108 24.1 4044 59811 17.1 5046 70142 8.3 5846 78061 2.8 6420 83024 -0.8 6796 88479 -1.4 7159 98000 0.4 7858 108068 0.7 8622 119096 -0.8 9398 135174 1.2 10542 159587 3.9 12336 184089 1.8 14040 213132 1.5 16024 235367 1.7 17535 277654 1.9 19264]; y=[15.73 15.04 14.39 12.98 11.6 11.45 11.21 10.55 10.42 10.06 9.14 8.18 7.58 6.95 6.45 6.01 5.87 5.89 5.38 5.24 5.45]; [m,n]=size(x); X=[ones(m,1) x]; [m1,n1]=size(X); [m2,n2]=size(y); for i=1:n2 %b 为参数,bint 回归系数的区间估计,r 为残差, %rint 为置信区间,stats 用于回归模型检验 [b(:,i),bint,r,rint,stats(i,:)]=regress(y(:,i),X); [mm,nn]=size(b); for jj=1:m1 temp=0; for ii=1:mm yy(jj,i)=temp+b(ii,i)*X(jj,ii); temp=yy(jj,i); end end xiangdui_wucha(1,i)=abs(abs(y(1,i))-abs(yy(1,i)))/abs(y(1,i)); if n2~=1 subplot(2,n2/2,i); rcoplot(r,rint)%残差分析,作出残差及其置信区间 else rcoplot(r,rint)%残差分析,作出残差及其置信区间 end end disp('参数'); b %参数计算 disp('预测结果'); yy %检验回归模型:相关系数 r^2=stats(1,:)越接近 1 回归方程越显著 %F=stats(2,:)值越大回归方程越显著、p=stats(3,:)<0.01 时回归模型成立 disp('回归模型检验:'); format long stats for i=1:n2 if (stats(i,4)<0.01)&(stats(i,1)>0.6) disp('回归方程显著-------模型成立'); end end format short disp('相对误差'); xiangdui_wucha%第一行原始值与预测值的相对误差

最新推荐

recommend-type

基于Yolov5的旋转检测

旋转检测 要求 torch==1.6 shapely==1.7.1 opencv==4.2.0.34
recommend-type

MATLAB 代码解决 Timothy Sauer 的教科书“数值分析”第三版中的两组计算机问题.zip

1.版本:matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
recommend-type

基于SpringBoot+SpringCloud微服务的商城项目.zip

基于springboot的java毕业&课程设计
recommend-type

智慧藏文化博物馆建设方案PPT(79页).pptx

智慧藏文化博物馆建设方案PPT(79页)
recommend-type

基于SpringBoot+SpringSecurity等的第三方登录(微信QQ)和安全认证框架.zip

基于springboot的java毕业&课程设计
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

SQL怎么实现 数据透视表

SQL可以通过使用聚合函数和GROUP BY子句来实现数据透视表。 例如,假设有一个销售记录表,其中包含产品名称、销售日期、销售数量和销售额等信息。要创建一个按照产品名称、销售日期和销售额进行汇总的数据透视表,可以使用以下SQL语句: ``` SELECT ProductName, SaleDate, SUM(SaleQuantity) AS TotalQuantity, SUM(SaleAmount) AS TotalAmount FROM Sales GROUP BY ProductName, SaleDate; ``` 该语句将Sales表按照ProductName和SaleDat
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。