通过编程推算身高通常涉及以下步骤：
收集数据
首先，需要收集一组包含身高信息的数据。这些数据可以通过调查问卷、人工测量或从已有的数据库中获取。数据应包括身高以及可能影响身高的其他因素，如年龄、性别、遗传等。
数据预处理
在进行测算之前，需要对数据进行预处理，包括数据清洗、缺失值处理和异常值处理，以确保数据的准确性和完整性。
特征选择
根据目标选择与身高相关的特征。例如，性别、年龄和遗传因素可能与身高有关。可以使用统计方法或机器学习算法进行特征选择，以确定最相关的特征。
模型选择
根据数据的特征和目标，选择适合的模型进行身高测算。常见的模型包括线性回归模型、决策树模型、支持向量机模型等。根据数据的特点和需求，选择最合适的模型。
模型训练
使用已经收集和预处理的数据，将数据划分为训练集和测试集。使用训练集对模型进行训练，并根据测试集的预测结果评估模型的性能。可以使用不同的评估指标，如均方误差（MSE）或平均绝对误差（MAE）。
模型优化
根据评估结果，对模型进行优化。可以调整模型的超参数、改进特征工程方法或尝试其他算法，以提高模型的性能。
预测身高
当模型经过训练和优化后，可以使用该模型来预测新的身高数据。将待预测的特征输入模型，得到预测结果。
此外，还可以使用一些简单的公式来估算身高，例如：
遗传算法：孩子未来的身高 = （爸爸的身高 + 妈妈的身高 + 13 × 性别系数） / 2。如果是男孩，性别系数为1；如果是女孩，性别系数为-1。
父母身高公式：
男性成年时身高 = （父亲身高 + 母亲身高） × 0.18 ÷ 2。
女性成年时身高 = （父亲身高 × 0.923 + 母亲身高） ÷ 2。
综合公式：
男生理论身高 = 45.99 + 0.78 × （父高 + 母高） ÷ 2 ± 5.29。
女生理论身高 = 37.85 + 0.75 × （父高 + 母高） ÷ 2 ± 5.29。
这些公式和算法可以根据具体需求进行选择和调整。