brics2025-st-034-2025一带一路暨金砖大赛之首届deepsee...

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

收藏

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 练习进度 0 / 0

随机练习 自定义设置练习量

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

在病历生成测试中，需要验证生成功能。请补充代码中`assert result.medical_record.patient_name == "__"`处的空白（1分）

在药物推荐器中，需要加载药物数据库。请补充代码中`category=DrugCategory.___, form=DrugForm.___`处的空白（每空1分，共2分）

在药物推荐API路由中，需要实现推荐接口。请在 drug_recommendation/api/routes.py 中补充：

在前端图表显示中，需要正确处理包含JavaScript的HTML。请补充以下代码中的空白：【缺少答案，请补充】

（代码如下） 20 rmse = np.sqrt(mean_squared_error(actuals, predictions)) 21 mae = mean_absolute_error(actuals, predictions) 22 23 return {"rmse": rmse, "mae": mae} 请回答：这个函数评估了哪些指标？RMSE和MAE分别表示什么？（2分）（含图）

在系统集成中，需要实现数据处理。请补充代码（代码如下）： 1 def process_data_pipeline(db: Session) -> RecommenderSystem: 2 """数据处理流水线""" 3 # 1. 加载数据 4 processor = DataProcessor() 5 users_df, items_df, ratings_df = processor.load_data(db) 6 7 # 2. 清洗数据 8 users_df, items_df, ratings_df = processor.clean_data(users_df, items_df, 9 ratings_df) 10 11 # 3. 创建评分矩阵 12 rating_matrix = processor.create_rating_matrix(ratings_df) 13 14 # 4. 训练推荐系统 15 recommender = RecommenderSystem(rating_matrix) 16 recommender.fit() 17 18 # 请补充：保存处理后的数据 19 processor.save_processed_data(users_df, items_df, ratings_df, rating_matrix) 20 21 return recommender 请回答：这个流水线包含哪些步骤？最后返回什么？（2分）（含图）

在系统测试中，需要测试推荐功能。请补充测试代码（代码如下）： 1 def test_recommendation_system(): 2 """测试推荐系统""" 3 # 创建测试数据 4 test_matrix = pd.DataFrame({ 5 1: [5, 3, 0, 1], 6 2: [4, 0, 4, 1], 7 3: [1, 1, 0, 5], 8 4: [0, 0, 5, 4] 9 }, index=[1, 2, 3, 4]) 请回答：这个测试验证了哪些方面？为什么检查推荐数量？（2分）（含图）

在API测试中，需要测试推荐接口。请补充代码（代码如下）： 1 def test_recommendation_api(): 2 """测试推荐API""" 3 # 测试获取推荐 4 response = requests.get(f"{BASE_URL}/api/recommendations/?m=5") 5 6 # 请补充：验证API响应的断言 7 assert response.status_code == 200 8 data = response.json() 9 assert isinstance(data, list) 10 assert len(data) <= 5 11 12 # 验证推荐数据结构 13 if data: 14 recommendation = data[0] 15 assert "item_id" in recommendation 16 assert "item_name" in recommendation 17 assert "score" in recommendation 18 19 print("✅ 推荐API测试通过") 请回答：这个测试验证了哪些方面？为什么检查数据结构？（2分）（含图）

在性能测试中，需要测试系统响应时间。请补充代码（代码如下）： 1 import time 2 3 def test_system_performance(): 4 """测试系统性能""" 5 # 测试推荐响应时间 6 start_time = time.time() 7 response = requests.get(f"{BASE_URL}/api/recommendations/1") 8 end_time = time.time() 9 10 response_time = end_time - start_time 11 12 # 请补充：验证性能指标的断言 13 assert response_time < 2.0 # 响应时间小于2秒 14 assert response.status_code == 200 15 16 print(f"✅ 系统性能测试通过，响应时间：{response_time:.3f}秒") 请回答：这个测试验证了什么性能指标？为什么设置2秒的阈值？（2分）（含图）

在集成测试中，需要测试完整的数据流。请补充代码（代码如下）： 1 def test_integration(): 2 """集成测试""" 3 # 1. 测试数据加载 4 response = requests.get(f"{BASE_URL}/api/stats") 5 assert response.status_code == 200 6 stats = response.json() 7 assert "user_count" in stats 8 assert "item_count" in stats 9 assert "rating_count" in stats 10 11 # 2. 测试推荐功能 12 response = requests.get(f"{BASE_URL}/api/recommendations/1") 13 assert response.status_code == 200 14 15 # 3. 测试用户管理 16 response = requests.get(f"{BASE_URL}/api/users/1") 17 assert response.status_code == 200 18 19 # 请补充：测试商品管理 20 response = requests.get(f"{BASE_URL}/api/items/1") 21 assert response.status_code == 200 22 23 print("✅ 集成测试通过") 请回答：这个测试验证了哪些模块？为什么需要测试多个模块？（2分）（含图）

在错误处理测试中，需要测试异常情况。请补充代码（代码如下）： 1 def test_error_handling(): 2 """测试错误处理""" 3 # 测试不存在的用户 4 response = requests.get(f"{BASE_URL}/api/recommendations/99999") 5 assert response.status_code == 200 # 返回空推荐列表 6 7 # 测试无效的用户ID 8 response = requests.get(f"{BASE_URL}/api/recommendations/abc") 9 assert response.status_code == 422 # 参数验证错误 10 11 # 请补充：测试不存在的商品 12 response = requests.get(f"{BASE_URL}/api/items/99999") 13 assert response.status_code == 404 # 商品不存在 14 15 print("✅ 错误处理测试通过") 请回答：这个测试验证了哪些错误情况？为什么测试不同的错误吗？（2分）（含图）

在data_processor.py文件中，数据加载函数不完整，请补充：【缺少答案，请补充】

（代码块：生成用户和商品数据的代码，其中用户数据生成部分为：{"id": i, "username": f"user_{i}", "email": f"user_{i}@example.com", "age": random.randint(18, 65), "gender": random.choice(["男", "女"])}，商品数据生成部分需补充，`categories = ['电子产品', '服装', '家居', '图书', '食品']`，`for i in range(1, 201):` 生成商品数据字典）请回答：这个函数生成了多少用户和商品？商品价格范围是什么？

在数据库连接配置中，需要设置正确的连接参数。请补充:（代码块：`from sqlalchemy import create_engine`\n`from sqlalchemy.orm import sessionmaker`\n\n`# 创建数据库引擎`\n`engine = create_engine(`\n `DATABASE_URL,`\n `connect_args={"check_same_thread": False}`\n`)`\n\n`# 创建会话工厂`\n`SessionLocal = sessionmaker(autocommit=False, autoflush=False, bind=engine)`\n\n`# 请补充：获取数据库会话的依赖函数`\n`def get_database():`\n `db = SessionLocal()`\n `try:`\n `yield db`\n `finally:`\n `db.close()`）请回答：这个配置使用了什么数据库？`connect_args`参数的作用是什么？

在`recommender.py`文件中，协同过滤算法实现不完整，请补充:（代码块：`class CollaborativeFiltering:`\n `def __init__(self, rating_matrix: pd.DataFrame):`\n `self.rating_matrix = rating_matrix`\n `self.user_similarity = None`\n `self.item_similarity = None`\n\n `def fit(self):`\n `\"\"\"训练协同过滤模型\"\"\"`\n `# 计算用户相似度`\n `self.user_similarity = self.rating_matrix.T.corr()`\n \n `# 请补充：计算商品相似度的代码`\n `self.item_similarity = self.rating_matrix.corr()`\n \n `return self`\n\n `def predict_rating(self, user_id: int, item_id: int) -> float:`\n `\"\"\"预测用户对商品的评分\"\"\"`\n `if user_id not in self.rating_matrix.index or item_id not in self.rating_matrix.columns:`\n `return 0.0`\n \n `# 获取用户评分`\n `user_ratings = self.rating_matrix.loc[user_id]`\n \n `# 请补充：基于相似用户的评分预测代码`\n `similar_users = self.user_similarity[user_id].dropna().sort_values(ascending=False)[1:6]`\n \n `weighted_sum = 0`\n `similarity_sum = 0`\n \n `for similar_user, similarity in similar_users.items():`\n `if item_id in self.rating_matrix.columns and not pd.isna(self.rating_matrix.loc[similar_user, item_id]):`\n `weighted_sum += similarity * self.rating_matrix.loc[similar_user, item_id]`\n `similarity_sum += abs(similarity)`\n \n `if similarity_sum == 0:`\n `return 0.0`\n \n `return weighted_sum / similarity_sum`）请回答：这个算法基于什么原理？`similarity_sum`的作用是什么？

在推荐系统主类中，需要实现推荐功能，请补充:（代码块：`class RecommenderSystem:`\n `def __init__(self, rating_matrix: pd.DataFrame):`\n `self.rating_matrix = rating_matrix`\n `self.cf_model = CollaborativeFiltering(rating_matrix)`\n `self.user_mapping = {user_id: idx for idx, user_id in enumerate(rating_matrix.index)}`\n `self.item_mapping = {item_id: idx for idx, item_id in enumerate(rating_matrix.columns)}`\n\n `def fit(self):`\n `\"\"\"训练推荐系统\"\"\"`\n `self.cf_model.fit()`\n `return self`\n\n `def recommend_items(self, user_id: int, n: int = 10) -> List[Tuple[int, float]]:`\n `\"\"\"为用户推荐商品\"\"\"`\n `if user_id not in self.user_mapping:`\n `return []`\n \n `# 获取用户未评分的商品`\n `user_ratings = self.rating_matrix.loc[user_id]`\n `unrated_items = user_ratings[user_ratings.isna()].index.tolist()`\n \n `if not unrated_items:`\n `return []`\n \n `# 请补充：为未评分商品预测评分的代码`\n `predictions = []`\n `for item_id in unrated_items:`\n `predicted_rating = self.cf_model.predict_rating(user_id, item_id)`\n `predictions.append((item_id, predicted_rating))`\n \n `# 按预测评分排序`\n `predictions.sort(key=lambda x: x[1], reverse=True)`\n \n `return predictions[:n]`）请回答：这个函数实现了什么功能？为什么只推荐未评分的商品？

在API路由中，需要实现推荐接口。请补充:（代码块：`@router.get("/recommendations/{user_id}", response_model=List[Dict[str, Any]])`\n`async def get_recommendations(`\n `user_id: int,`\n `n: int = 10,`\n `db: Session = Depends(get_database)`\n`):`\n `\"\"\"获取用户推荐\"\"\"`\n `try:`\n `# 获取推荐系统实例`\n `recommender = get_recommender_system()`\n \n `# 获取推荐结果`\n `recommendations = recommender.recommend_items(user_id, n)`\n \n `# 请补充：将推荐结果转换为API响应格式的代码`\n `result = []`\n `for item_id, score in recommendations:`\n `item = db.query(Item).filter(Item.id == item_id).first()`\n `if item:`\n `result.append({`\n `\"item_id\": item_id,`\n `\"item_name\": item.name,`\n `\"category\": item.category,`\n `\"price\": item.price,`\n `\"score\": round(score, 3)`\n `})`\n \n `return result`\n `except Exception as e:`\n `logger.error(f\"获取推荐失败：{e}\")`\n `raise HTTPException(status_code=500, detail=\"获取推荐失败\")`）请回答：这个接口的HTTP方法是什么？返回的数据格式是什么？

在模型训练中，需要实现性能评估。请补充:（代码块：`def evaluate_model(recommender: RecommenderSystem, test_data: pd.DataFrame) -> Dict[str, float]:`\n `\"\"\"评估模型性能\"\"\"`\n `predictions = []`\n `actuals = []`\n \n `for _, row in test_data.iterrows():`\n `user_id = row['user_id']`\n `item_id = row['item_id']`\n `actual_rating = row['rating']`\n \n `# 预测评分`\n `predicted_rating = recommender.cf_model.predict_rating(user_id, item_id)`\n \n `if predicted_rating > 0:`\n `predictions.append(predicted_rating)`\n `actuals.append(actual_rating)`\n \n `# 请补充：计算RMSE和MAE的代码`\n `from sklearn.metrics import mean_squared_error, mean_absolute_error`\n \n `rmse = np.sqrt(mean_squared_error(actuals, predictions))`\n `mae = mean_absolute_error(actuals, predictions)`\n \n `return {\"rmse\": rmse, \"mae\": mae}`）请回答：这个函数评估了哪些指标？RMSE和MAE分别表示什么？

在系统集成中，需要实现数据处理。请补充:（代码块：`def process_data_pipeline(db: Session) -> RecommenderSystem:`\n `\"\"\"数据处理流水线\"\"\"`\n `# 1. 加载数据`\n `processor = DataProcessor()`\n `users_df, items_df, ratings_df = processor.load_data(db)`\n \n `# 2. 清洗数据`\n `users_df, items_df, ratings_df = processor.clean_data(users_df, items_df, ratings_df)`\n \n `# 3. 创建评分矩阵`\n `rating_matrix = processor.create_rating_matrix(ratings_df)`\n \n `# 4. 训练推荐系统`\n `recommender = RecommenderSystem(rating_matrix)`\n `recommender.fit()`\n \n `# 请补充：保存处理后的数据`\n `processor.save_processed_data(users_df, items_df, ratings_df, rating_matrix)`\n \n `return recommender`）请回答：这个流水线包含哪些步骤？最后返回什么？

1 2