2025年統(tǒng)計學(xué)期末考試題庫：統(tǒng)計軟件應(yīng)用與Python編程試題考試時間：______分鐘總分：______分姓名：______一、Python編程基礎(chǔ)要求：請根據(jù)以下要求，用Python編寫代碼，實現(xiàn)以下功能。1.編寫一個函數(shù)，接收一個整數(shù)列表作為輸入，返回列表中所有偶數(shù)的和。示例：輸入：[1,2,3,4,5,6]，輸出：12。2.編寫一個函數(shù)，接收一個字符串作為輸入，返回字符串中所有小寫字母的個數(shù)。示例：輸入："HelloWorld"，輸出：8。3.編寫一個函數(shù)，接收一個整數(shù)列表作為輸入，返回列表中所有大于10的整數(shù)。示例：輸入：[1,2,11,4,15,6]，輸出：[11,15]。4.編寫一個函數(shù)，接收一個字符串作為輸入，返回字符串中所有以字母'e'開頭的單詞。示例：輸入："Ihaveacatandadog"，輸出："Ihavea"。5.編寫一個函數(shù)，接收一個整數(shù)列表作為輸入，返回列表中所有大于平均值的整數(shù)。示例：輸入：[1,2,3,4,5]，輸出：[4,5]。二、Python數(shù)據(jù)可視化要求：請根據(jù)以下要求，使用Python的matplotlib庫完成以下任務(wù)。1.使用matplotlib繪制一個折線圖，展示以下數(shù)據(jù)：-x軸：年份（2000，2001，2002，2003，2004）-y軸：銷售額（1000，1500，1200，1800，1600）2.使用matplotlib繪制一個柱狀圖，展示以下數(shù)據(jù)：-x軸：產(chǎn)品名稱（產(chǎn)品A，產(chǎn)品B，產(chǎn)品C）-y軸：銷售額（1000，1500，1200）3.使用matplotlib繪制一個散點圖，展示以下數(shù)據(jù)：-x軸：年齡（20，25，30，35，40）-y軸：收入（20000，25000，30000，35000，40000）4.使用matplotlib繪制一個餅圖，展示以下數(shù)據(jù)：-數(shù)據(jù)：['產(chǎn)品A','產(chǎn)品B','產(chǎn)品C']-比例：[0.4,0.3,0.3]5.使用matplotlib繪制一個3D散點圖，展示以下數(shù)據(jù)：-x軸：年齡（20，25，30，35，40）-y軸：收入（20000，25000，30000，35000，40000）-z軸：銷售額（1000，1500，1200，1800，1600）三、Python數(shù)據(jù)處理與分析要求：請使用Python的pandas庫完成以下數(shù)據(jù)分析任務(wù)。1.編寫一個函數(shù)，讀取名為"sales_data.csv"的CSV文件，該文件包含以下列：'Date'（日期），'Product'（產(chǎn)品），'Sales'（銷售額）。計算每個產(chǎn)品的總銷售額，并按銷售額降序排列。2.使用pandas庫對"sales_data.csv"文件中的'Sales'列進(jìn)行描述性統(tǒng)計分析，包括最大值、最小值、平均值、標(biāo)準(zhǔn)差和中位數(shù)。3.根據(jù)產(chǎn)品名稱，篩選出銷售額超過平均銷售額的產(chǎn)品，并輸出這些產(chǎn)品的名稱和對應(yīng)的銷售額。4.創(chuàng)建一個新的DataFrame，包含以下列：'Month'（月份），'TotalSales'（總銷售額）。計算每個月的總銷售額。5.使用pandas庫對'Product'列進(jìn)行分類，統(tǒng)計每個類別的產(chǎn)品數(shù)量，并輸出結(jié)果。四、Python機(jī)器學(xué)習(xí)應(yīng)用要求：請使用Python的scikit-learn庫完成以下機(jī)器學(xué)習(xí)任務(wù)。1.讀取名為"iris_data.csv"的CSV文件，該文件包含鳶尾花數(shù)據(jù)集。使用scikit-learn庫中的數(shù)據(jù)加載器加載數(shù)據(jù)集。2.將鳶尾花數(shù)據(jù)集分為特征和標(biāo)簽，特征包括萼片長度、萼片寬度、花瓣長度和花瓣寬度，標(biāo)簽為鳶尾花的種類。3.使用scikit-learn庫中的K-最近鄰（KNN）算法對鳶尾花數(shù)據(jù)集進(jìn)行分類，選擇合適的k值。4.訓(xùn)練KNN分類器，并對測試集進(jìn)行預(yù)測，計算分類準(zhǔn)確率。5.使用交叉驗證技術(shù)評估KNN分類器的性能，輸出平均準(zhǔn)確率。五、Python數(shù)據(jù)挖掘與預(yù)測要求：請使用Python的scikit-learn庫完成以下數(shù)據(jù)挖掘與預(yù)測任務(wù)。1.讀取名為"customer_data.csv"的CSV文件，該文件包含客戶購買歷史數(shù)據(jù)，包括客戶ID、購買產(chǎn)品、購買日期和購買金額。2.使用pandas庫對客戶購買歷史數(shù)據(jù)進(jìn)行預(yù)處理，包括處理缺失值、異常值和重復(fù)數(shù)據(jù)。3.根據(jù)購買金額，將客戶分為高價值客戶和普通客戶。4.使用scikit-learn庫中的決策樹分類器對客戶數(shù)據(jù)進(jìn)行分類，預(yù)測客戶是否為高價值客戶。5.訓(xùn)練決策樹分類器，并對新的客戶數(shù)據(jù)進(jìn)行預(yù)測，輸出預(yù)測結(jié)果。同時，評估分類器的性能，包括準(zhǔn)確率、召回率和F1分?jǐn)?shù)。本次試卷答案如下：一、Python編程基礎(chǔ)1.編寫一個函數(shù)，接收一個整數(shù)列表作為輸入，返回列表中所有偶數(shù)的和。```pythondefsum_of_evens(numbers):returnsum(numfornuminnumbersifnum%2==0)```解析思路：遍歷列表中的每個元素，使用列表推導(dǎo)式過濾出偶數(shù)，然后使用`sum()`函數(shù)計算這些偶數(shù)的總和。2.編寫一個函數(shù)，接收一個字符串作為輸入，返回字符串中所有小寫字母的個數(shù)。```pythondefcount_lowercase_letters(s):returnsum(1forcharinsifchar.islower())```解析思路：遍歷字符串中的每個字符，使用`islower()`方法檢查字符是否為小寫字母，并計算小寫字母的總數(shù)。3.編寫一個函數(shù)，接收一個整數(shù)列表作為輸入，返回列表中所有大于10的整數(shù)。```pythondeffilter_greater_than_ten(numbers):return[numfornuminnumbersifnum>10]```解析思路：使用列表推導(dǎo)式遍歷列表中的每個元素，檢查元素是否大于10，并返回符合條件的元素列表。4.編寫一個函數(shù)，接收一個字符串作為輸入，返回字符串中所有以字母'e'開頭的單詞。```pythondefwords_starting_with_e(s):return[wordforwordins.split()ifword.lower().startswith('e')]```解析思路：使用`split()`方法將字符串分割成單詞列表，然后使用列表推導(dǎo)式檢查每個單詞是否以小寫的'e'開頭。5.編寫一個函數(shù)，接收一個整數(shù)列表作為輸入，返回列表中所有大于平均值的整數(shù)。```pythondeffilter_greater_than_average(numbers):average=sum(numbers)/len(numbers)return[numfornuminnumbersifnum>average]```解析思路：首先計算列表的平均值，然后使用列表推導(dǎo)式過濾出大于平均值的整數(shù)。二、Python數(shù)據(jù)可視化1.使用matplotlib繪制一個折線圖，展示以下數(shù)據(jù)：```pythonimportmatplotlib.pyplotaspltyears=[2000,2001,2002,2003,2004]sales=[1000,1500,1200,1800,1600]plt.plot(years,sales)plt.xlabel('Year')plt.ylabel('Sales')plt.title('SalesOverYears')plt.show()```解析思路：使用`plot()`函數(shù)創(chuàng)建折線圖，設(shè)置x軸和y軸的標(biāo)簽以及圖表標(biāo)題，最后使用`show()`函數(shù)顯示圖表。2.使用matplotlib繪制一個柱狀圖，展示以下數(shù)據(jù)：```pythonproducts=['產(chǎn)品A','產(chǎn)品B','產(chǎn)品C']sales=[1000,1500,1200]plt.bar(products,sales)plt.xlabel('Product')plt.ylabel('Sales')plt.title('ProductSales')plt.show()```解析思路：使用`bar()`函數(shù)創(chuàng)建柱狀圖，設(shè)置x軸和y軸的標(biāo)簽以及圖表標(biāo)題，最后使用`show()`函數(shù)顯示圖表。3.使用matplotlib繪制一個散點圖，展示以下數(shù)據(jù)：```pythonimportmatplotlib.pyplotaspltages=[20,25,30,35,40]incomes=[20000,25000,30000,35000,40000]plt.scatter(ages,incomes)plt.xlabel('Age')plt.ylabel('Income')plt.title('AgevsIncome')plt.show()```解析思路：使用`scatter()`函數(shù)創(chuàng)建散點圖，設(shè)置x軸和y軸的標(biāo)簽以及圖表標(biāo)題，最后使用`show()`函數(shù)顯示圖表。4.使用matplotlib繪制一個餅圖，展示以下數(shù)據(jù)：```pythonimportmatplotlib.pyplotaspltdata=['產(chǎn)品A','產(chǎn)品B','產(chǎn)品C']proportions=[0.4,0.3,0.3]plt.pie(proportions,labels=data,autopct='%1.1f%%')plt.title('ProductProportions')plt.show()```解析思路：使用`pie()`函數(shù)創(chuàng)建餅圖，設(shè)置數(shù)據(jù)、標(biāo)簽和自動百分比格式，最后使用`show()`函數(shù)顯示圖表。5.使用matplotlib繪制一個3D散點圖，展示以下數(shù)據(jù)：```pythonimportmatplotlib.pyplotaspltfrommpl_toolkits.mplot3dimportAxes3Dfig=plt.figure()ax=fig.add_subplot(111,projection='3d')ages=[20,25,30,35,40]incomes=[20000,25000,30000,35000,40000]sales=[1000,1500,1200,1800,1600]ax.scatter(ages,incomes,sales)ax.set_xlabel('Age')ax.set_ylabel('Income')ax.set_zlabel('Sales')ax.set_title('3DScatterPlot')plt.show()```解析思路：使用`scatter()`函數(shù)在3D坐標(biāo)系中創(chuàng)建散點圖，設(shè)置x軸、y軸和z軸的標(biāo)簽以及圖表標(biāo)題，最后使用`show()`函數(shù)顯示圖表。三、Python數(shù)據(jù)處理與分析1.編寫一個函數(shù)，讀取名為"sales_data.csv"的CSV文件，該文件包含以下列：'Date'（日期），'Product'（產(chǎn)品），'Sales'（銷售額）。計算每個產(chǎn)品的總銷售額，并按銷售額降序排列。```pythonimportpandasaspddf=pd.read_csv('sales_data.csv')total_sales_by_product=df.groupby('Product')['Sales'].sum().sort_values(ascending=False)print(total_sales_by_product)```解析思路：使用`read_csv()`函數(shù)讀取CSV文件，然后使用`groupby()`函數(shù)按產(chǎn)品分組，并使用`sum()`函數(shù)計算每個產(chǎn)品的總銷售額。最后使用`sort_values()`函數(shù)按銷售額降序排列。2.使用pandas庫對"sales_data.csv"文件中的'Sales'列進(jìn)行描述性統(tǒng)計分析，包括最大值、最小值、平均值、標(biāo)準(zhǔn)差和中位數(shù)。```pythondf['Sales'].describe()```解析思路：使用`describe()`方法對'Sales'列進(jìn)行描述性統(tǒng)計分析，返回最大值、最小值、平均值、標(biāo)準(zhǔn)差和中位數(shù)。3.根據(jù)產(chǎn)品名稱，篩選出銷售額超過平均銷售額的產(chǎn)品，并輸出這些產(chǎn)品的名稱和對應(yīng)的銷售額。```pythonaverage_sales=df['Sales'].mean()high_sales_products=df[df['Sales']>average_sales]print(high_sales_products[['Product','Sales']])```解析思路：首先計算平均銷售額，然后使用布爾索引篩選出銷售額超過平均值的行，最后輸出產(chǎn)品名稱和銷售額。4.創(chuàng)建一個新的DataFrame，包含以下列：'Month'（月份），'TotalSales'（總銷售額）。計算每個月的總銷售額。```pythondf['Month']=pd.to_datetime(df['Date']).dt.monthmonthly_sales=df.groupby('Month')['Sales'].sum()print(monthly_sales)```解析思路：將'Date'列轉(zhuǎn)換為日期格式，并使用`.dt.month`提取月份。然后使用`groupby()`函數(shù)按月份分組，并使用`sum()`函數(shù)計算每個月的總銷售額。5.使用pandas庫對'Product'列進(jìn)行分類，統(tǒng)計每個類別的產(chǎn)品數(shù)量，并輸出結(jié)果。```pythonproduct_counts=df['Product'].value_counts()print(product_counts)```解析思路：使用`value_counts()`方法統(tǒng)計'Product'列中每個唯一值的數(shù)量，并輸出結(jié)果。四、Python機(jī)器學(xué)習(xí)應(yīng)用1.讀取名為"iris_data.csv"的CSV文件，該文件包含鳶尾花數(shù)據(jù)集。使用scikit-learn庫中的數(shù)據(jù)加載器加載數(shù)據(jù)集。```pythonfromsklearn.datasetsimportload_irisiris=load_iris()X,y=iris.data,iris.target```解析思路：使用`load_iris()`函數(shù)從scikit-learn庫中加載數(shù)據(jù)集，然后分別獲取特征和標(biāo)簽。2.將鳶尾花數(shù)據(jù)集分為特征和標(biāo)簽，特征包括萼片長度、萼片寬度、花瓣長度和花瓣寬度，標(biāo)簽為鳶尾花的種類。解析思路：在上一題中已經(jīng)完成了特征的提取和標(biāo)簽的獲取。3.使用scikit-learn庫中的K-最近鄰（KNN）算法對鳶尾花數(shù)據(jù)集進(jìn)行分類，選擇合適的k值。```pythonfromsklearn.neighborsimportKNeighborsClassifierk_range=range(1,11)forkink_range:knn=KNeighborsClassifier(n_neighbors=k)knn.fit(X,y)print(f"K={k},Score:{knn.score(X,y)}")```解析思路：遍歷不同的k值，創(chuàng)建KNN分類器，并使用`fit()`函數(shù)訓(xùn)練模型。然后使用`score()`函數(shù)評估模型的準(zhǔn)確率。4.訓(xùn)練KNN分類器，并對測試集進(jìn)行預(yù)測，計算分類準(zhǔn)確率。```pythonfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportaccuracy_scoreX_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42)knn=KNeighborsClassifier(n_neighbors=3)knn.fit(X_train,y_train)y_pred=knn.predict(X_test)print(f"Accuracy:{accuracy_score(y_test,y_pred)}")```解析思路：使用`train_test_split()`函數(shù)將數(shù)據(jù)集分為訓(xùn)練集和測試集，然后創(chuàng)建KNN分類器，使用訓(xùn)練集進(jìn)行訓(xùn)練，并對測試集進(jìn)行預(yù)測。最后使用`accuracy_score()`函數(shù)計算準(zhǔn)確率。5.使用交叉驗證技術(shù)評估KNN分類器的性能，輸出平均準(zhǔn)確率。```pythonfromsklearn.model_selectionimportcross_val_scoreknn=KNeighborsClassifier(n_neighbors=3)scores=cross_val_score(knn,X,y,cv=5)print(f"AverageAccuracy:{scores.mean()}")```解析思路：創(chuàng)建KNN分類器，并使用`cross_val_score()`函數(shù)進(jìn)行交叉驗證，將數(shù)據(jù)集分為5個折，并計算每個折的準(zhǔn)確率。最后輸出平均準(zhǔn)確率。五、Python數(shù)據(jù)挖掘與預(yù)測1.讀取名為"customer_data.csv"的CSV文件，該文件包含客戶購買歷史數(shù)據(jù)，包括客戶ID、購買產(chǎn)品、購買日期和購買金額。```pythondf=pd.read_csv('customer_data.csv')```解析思路：使用`read_csv()`函數(shù)讀取CSV文件，并將數(shù)據(jù)存儲在DataFrame中。2.使用pandas庫對客戶購買歷史數(shù)據(jù)進(jìn)行預(yù)處理，包括處理缺失值、異常值和重復(fù)數(shù)據(jù)。```pythondf.drop_duplicates(inplace=True)df.fillna(method='ffill',inplace=True)```解析思路：使用`drop_duplicates()`函數(shù)刪除重復(fù)行，使用`fillna()`函數(shù)填充缺失值，這里使用前向填充方法。3.根據(jù)購買金額，將客戶分為高價值客戶和普通客戶。```pythonmedian_sales=df['Sales'].median()df['CustomerType']=df['Sales'].apply(lambdax:'HighValue'ifx>median_saleselse'Regular')```解析思路：計算銷售額的中位數(shù)，然后使用`a