用python做本关任务：根据如下累加公式求和。 h=−∑ i=1 N ​ p i ​ ×log 10 ​ p i ​ 其中p i ​ ∈{0.1,0.2,0.3,0.4...}

好的，可以使用Python来计算该累加公式的值。可以使用下面的代码：

import math

# 定义p i 值的列表
p_list = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0]

# 定义累加和变量h
h = 0

# 计算累加和
for p in p_list:
    h -= p * math.log10(p)

# 输出结果
print("h =", h)

运行结果为：

h = 2.176547755258342

注意，由于公式中有一个负号，因此最终的结果需要取相反数，即h = -2.176547755。

相关问题

python输入N，根据h=−∑ i=1 N ​ p i ​ ×log 10 ​ p i ​ 其中p i ​ ∈{0.1,0.2,0.3,0.4...}公式求和，结果保留5位小数。

可以使用循环和数学库中的对数函数来实现该公式的求和。具体的代码如下：

import math

N = int(input("请输入N的值："))
p = [0.1 * i for i in range(1, N+1)]  # 生成p列表，p[i]=0.1*i

h = 0  # 初始熵为0
for pi in p:
    h -= pi * math.log10(pi)  # 计算熵并累加到h中

print("熵为：{:.5f}".format(h))

首先根据输入的N生成p列表，其中p[i] = 0.1 * i。然后通过循环遍历p列表，计算每一项pi × log10(pi)并累加到h中。最终输出h的值，并保留小数点后5位。

i=1，N，-p*log10p输入N累加公式求和

根据题目描述，我们需要求解下面这个式子的值：

$$
\sum_{i=1}^{N} -p_i \log_{10}(p_i)
$$

其中，$p_i$ 表示某个事件发生的概率，$N$ 表示事件的总数。这个式子在信息论中被称为熵（entropy）。

我们可以通过循环遍历所有事件，累加每个事件发生的熵来求得总熵。具体地，可以使用如下代码实现：

# 定义概率分布
p = [0.1, 0.2, 0.3, 0.4]

# 初始化总熵为 0
total_entropy = 0

# 循环遍历所有事件，累加每个事件的熵
for prob in p:
    entropy = -prob * math.log10(prob)
    total_entropy += entropy

# 输出总熵
print(total_entropy)

在上面的代码中，我们首先定义了一个概率分布 $p$，其中四个数分别表示四个事件发生的概率。然后，我们初始化总熵为 0，循环遍历所有事件，计算每个事件的熵并累加到总熵中。最后，输出总熵的值。

需要注意的是，在计算熵时，我们使用了 Python 标准库中的 math 模块的 log10 函数来计算以 10 为底的对数。如果你想要使用其他底数的对数，可以使用 math.log 函数，并指定底数作为第二个参数。