2025年P(guān)ython人工智能基礎(chǔ)考試真題試卷：實(shí)戰(zhàn)案例分析考試時(shí)間：______分鐘總分：______分姓名：______注意事項(xiàng)：1.請(qǐng)仔細(xì)閱讀每道題目的要求，確保理解題意后進(jìn)行作答。2.請(qǐng)?jiān)谥付ǖ奈恢脮鴮懘鸢福３志砻嬲麧崱?.本試卷共包含五個(gè)大題，總分100分。一、背景與數(shù)據(jù)準(zhǔn)備（20分）假設(shè)你正在參與一個(gè)電商平臺(tái)的用戶購(gòu)買行為分析項(xiàng)目。目標(biāo)是利用用戶的歷史購(gòu)買記錄來理解用戶的偏好，為個(gè)性化推薦提供支持。項(xiàng)目團(tuán)隊(duì)提供了一份包含用戶購(gòu)買數(shù)據(jù)的CSV文件`purchase_data.csv`。請(qǐng)根據(jù)以下描述，完成數(shù)據(jù)加載與初步探索。1.使用Pandas庫(kù)加載數(shù)據(jù)文件`purchase_data.csv`到一個(gè)名為`df`的DataFrame對(duì)象中。假設(shè)文件編碼為'utf-8'，可能存在少量缺失值。2.查看DataFrame`df`的前5行數(shù)據(jù)，了解數(shù)據(jù)的基本結(jié)構(gòu)。3.獲取DataFrame`df`的摘要統(tǒng)計(jì)信息（包括計(jì)數(shù)、均值、標(biāo)準(zhǔn)差、最小值、25%分位數(shù)、中位數(shù)、75%分位數(shù)和最大值），并簡(jiǎn)要描述用戶在“購(gòu)買金額”（`amount`列）上的整體分布特征。4.檢查DataFrame`df`中是否存在缺失值，如果存在，請(qǐng)報(bào)告缺失值的總數(shù)以及缺失值主要集中在哪些列。5.假設(shè)我們需要分析不同用戶的購(gòu)買行為，請(qǐng)創(chuàng)建一個(gè)新列`user_unique_purchases`，其值為每個(gè)用戶（`user_id`列）的唯一購(gòu)買商品數(shù)量。二、數(shù)據(jù)預(yù)處理與探索性分析（25分）繼續(xù)使用上一題的DataFrame`df`。現(xiàn)在我們需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，并進(jìn)行一些探索性分析，以準(zhǔn)備后續(xù)的建模工作。1.針對(duì)數(shù)值型特征`amount`和`quantity`（購(gòu)買商品數(shù)量），使用合適的標(biāo)準(zhǔn)化方法（例如，Z-score標(biāo)準(zhǔn)化）將它們進(jìn)行轉(zhuǎn)換，并將結(jié)果存儲(chǔ)在新的DataFrame列`amount_scaled`和`quantity_scaled`中。請(qǐng)說明選擇該標(biāo)準(zhǔn)化方法的原因。2.對(duì)于分類特征`category`（購(gòu)買商品類別），請(qǐng)使用Pandas的`get_dummies`方法進(jìn)行獨(dú)熱編碼（One-HotEncoding），并將結(jié)果合并到原始的`df`DataFrame中。新生成的特征列名應(yīng)具有清晰的意義。3.基于處理后的數(shù)據(jù)，使用Matplotlib或Seaborn庫(kù)，繪制購(gòu)買金額`amount`的分布直方圖，并添加核密度估計(jì)線。根據(jù)圖形，簡(jiǎn)要描述購(gòu)買金額的分布形態(tài)（例如，是否近似正態(tài)分布，是否存在skewness等）。4.探索用戶`user_id`與購(gòu)買金額`amount`之間的關(guān)系。使用合適的可視化方法（例如，散點(diǎn)圖或箱線圖）展示這種關(guān)系，并簡(jiǎn)要說明你從圖中觀察到的趨勢(shì)或模式。5.請(qǐng)識(shí)別并處理`df`中的異常值。針對(duì)`amount`列，可以使用一種常見的方法（如基于IQR分?jǐn)?shù)）來檢測(cè)并標(biāo)記（而不是直接刪除）潛在的異常值。請(qǐng)說明你選擇的方法及其理由，并統(tǒng)計(jì)出被標(biāo)記為潛在異常值的記錄數(shù)量。三、機(jī)器學(xué)習(xí)模型應(yīng)用（35分）假設(shè)我們的目標(biāo)是根據(jù)用戶的部分特征預(yù)測(cè)其下一次購(gòu)買金額`amount`。請(qǐng)基于前兩題處理后的數(shù)據(jù)（或從中選擇合適的特征子集），完成以下任務(wù)。1.特征選擇：從DataFrame`df`中選擇一部分你認(rèn)為與預(yù)測(cè)購(gòu)買金額最相關(guān)的特征作為模型的輸入。請(qǐng)列出你選擇的特征名稱，并簡(jiǎn)要說明選擇它們的理由。2.數(shù)據(jù)劃分：將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。建議使用80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測(cè)試集，并設(shè)置隨機(jī)種子（例如，seed=42）以確保結(jié)果可復(fù)現(xiàn)。請(qǐng)分別賦值給`X_train`,`y_train`,`X_test`,`y_test`。3.模型選擇與訓(xùn)練：選擇一種合適的回歸模型（例如，線性回歸、決策樹回歸或隨機(jī)森林回歸）來預(yù)測(cè)購(gòu)買金額。使用訓(xùn)練集數(shù)據(jù)（`X_train`,`y_train`）訓(xùn)練你選擇的模型。請(qǐng)展示模型訓(xùn)練的關(guān)鍵步驟或代碼。4.模型評(píng)估：使用測(cè)試集數(shù)據(jù)（`X_test`,`y_test`）評(píng)估你訓(xùn)練的模型的性能。計(jì)算并報(bào)告至少兩個(gè)關(guān)鍵的回歸評(píng)估指標(biāo)（例如，均方根誤差RMSE和R2分?jǐn)?shù)）。請(qǐng)說明你選擇這兩個(gè)指標(biāo)的原因。5.結(jié)果分析：根據(jù)模型評(píng)估結(jié)果，簡(jiǎn)要分析模型的預(yù)測(cè)表現(xiàn)。如果模型表現(xiàn)不佳，請(qǐng)?zhí)岢鲋辽僖粋€(gè)可能的改進(jìn)方向（例如，嘗試其他模型、進(jìn)行更深入的特征工程、處理數(shù)據(jù)中的非線性關(guān)系等）。四、特定場(chǎng)景問題解決（15分）假設(shè)現(xiàn)在平臺(tái)希望根據(jù)用戶的購(gòu)買歷史（`user_id`）和商品類別（`category`），為該用戶推薦一種他們尚未購(gòu)買過但可能感興趣的商品類別。請(qǐng)描述你會(huì)如何利用前面項(xiàng)目中學(xué)到的知識(shí)和技能，設(shè)計(jì)一個(gè)簡(jiǎn)單的推薦方案或分析思路。1.請(qǐng)說明你會(huì)考慮使用哪些數(shù)據(jù)或計(jì)算方法。2.簡(jiǎn)要描述你的方案的主要步驟。3.你認(rèn)為這個(gè)方案可能面臨哪些挑戰(zhàn)，以及如何嘗試克服這些挑戰(zhàn)。試卷答案一、背景與數(shù)據(jù)準(zhǔn)備（20分）1.```pythonimportpandasaspddf=pd.read_csv('purchase_data.csv',encoding='utf-8')```*解析思路：使用`pandas`庫(kù)的`read_csv`函數(shù)加載數(shù)據(jù)。指定文件路徑和編碼格式。將數(shù)據(jù)存儲(chǔ)在`pandas`的核心數(shù)據(jù)結(jié)構(gòu)`DataFrame`中，命名為`df`。2.```pythonprint(df.head())```*解析思路：`DataFrame.head()`方法用于顯示數(shù)據(jù)框的前幾行（默認(rèn)為5行），有助于快速了解數(shù)據(jù)的結(jié)構(gòu)、列名和數(shù)據(jù)類型。3.```pythonprint(df['amount'].describe())#簡(jiǎn)要描述desc=df['amount'].describe().to_string()print("\n購(gòu)買金額分布特征描述：")print(desc)```*解析思路：`describe()`方法提供數(shù)值列的統(tǒng)計(jì)摘要，包括計(jì)數(shù)、均值、標(biāo)準(zhǔn)差、分位數(shù)和最大/最小值。分析這些統(tǒng)計(jì)量可以幫助理解`amount`列的集中趨勢(shì)、離散程度和分布范圍（如是否存在巨大差異或異常值）。4.```pythonmissing_counts=df.isnull().sum()total_missing=missing_counts.sum()missing_columns=missing_counts[missing_counts>0].index.tolist()print(f"\n缺失值總數(shù)：{total_missing}")iflen(missing_columns)>0:print(f"缺失值主要集中在列：{missing_columns}")else:print("沒有缺失值。")```*解析思路：`isnull()`生成一個(gè)布爾型DataFrame，指示每個(gè)元素是否為空。`sum()`方法可以沿指定軸求和，這里用于統(tǒng)計(jì)每列的空值數(shù)量。`total_missing`是所有空值的總和。`missing_columns`列出有空值的列名。通過這些統(tǒng)計(jì)，可以了解數(shù)據(jù)的質(zhì)量和需要預(yù)處理的問題。5.```pythonuser_unique_purchases=df.groupby('user_id')['item_id'].transform('nunique')df['user_unique_purchases']=user_unique_purchases```*解析思路：`groupby('user_id')`按`user_id`列對(duì)數(shù)據(jù)進(jìn)行分組。`['item_id'].transform('nunique')`對(duì)每個(gè)組內(nèi)的`item_id`進(jìn)行唯一值計(jì)數(shù)，并將結(jié)果“轉(zhuǎn)換”回原始`DataFrame`的形狀，每個(gè)`user_id`對(duì)應(yīng)一個(gè)唯一購(gòu)買商品數(shù)量。最后將這個(gè)結(jié)果作為新列`user_unique_purchases`添加到`df`中。二、數(shù)據(jù)預(yù)處理與探索性分析（25分）1.```pythonfromsklearn.preprocessingimportStandardScalerscaler=StandardScaler()df[['amount_scaled','quantity_scaled']]=scaler.fit_transform(df[['amount','quantity']])#說明：Z-score標(biāo)準(zhǔn)化將數(shù)據(jù)轉(zhuǎn)換為均值為0，標(biāo)準(zhǔn)差為1的分布，有助于消除不同特征量綱的影響，并常用于很多機(jī)器學(xué)習(xí)算法（如SVM、PCA、某些基于距離的算法）前的預(yù)處理。```*解析思路：引入`sklearn.preprocessing`中的`StandardScaler`。`fit_transform`方法先計(jì)算列的均值和標(biāo)準(zhǔn)差，然后應(yīng)用標(biāo)準(zhǔn)化轉(zhuǎn)換。將結(jié)果存儲(chǔ)在新的列`amount_scaled`和`quantity_scaled`中。選擇Z-score標(biāo)準(zhǔn)化的理由是它能處理不同范圍的數(shù)值特征，使其具有可比性，并滿足某些模型的輸入要求。2.```pythondf_encoded=pd.get_dummies(df,columns=['category'],prefix='category')#或者df=pd.get_dummies(df,columns=['category'])#說明：獨(dú)熱編碼將分類特征轉(zhuǎn)換為一系列二進(jìn)制（0或1）特征，每個(gè)類別對(duì)應(yīng)一個(gè)新列。這使模型能夠識(shí)別不同類別。`prefix`參數(shù)用于在新生成列名前添加類別名，提高可讀性。```*解析思路：`pd.get_dummies`函數(shù)用于執(zhí)行獨(dú)熱編碼。`columns=['category']`指定要編碼的列。`prefix='category'`為新生成的列名添加前綴，方便識(shí)別原始類別。編碼后的新列被添加到原始`DataFrame``df`中（或者可以創(chuàng)建一個(gè)新的`df_encoded`）。3.```pythonimportmatplotlib.pyplotaspltimportseabornassnssns.histplot(df['amount'],kde=True,bins=30)plt.title('PurchaseAmountDistributionwithKDE')plt.xlabel('Amount')plt.ylabel('Frequency')plt.show()#簡(jiǎn)要描述：根據(jù)直方圖和核密度曲線觀察，購(gòu)買金額可能呈現(xiàn)右偏（正態(tài)分布右側(cè)拖尾）或雙峰等形態(tài)，均值為0（已標(biāo)準(zhǔn)化），中位數(shù)可能小于均值（右偏）。具體形態(tài)需根據(jù)實(shí)際圖形判斷。```*解析思路：使用`seaborn`的`histplot`繪制直方圖，并設(shè)置`kde=True`添加核密度估計(jì)曲線。`bins=30`設(shè)置直方圖的條形數(shù)量。`plt.title`,`xlabel`,`ylabel`設(shè)置圖形標(biāo)題和坐標(biāo)軸標(biāo)簽。`plt.show()`顯示圖形。通過觀察圖形的形狀（對(duì)稱性、峰數(shù)、尾部情況），描述數(shù)據(jù)的分布特征。4.```pythonimportmatplotlib.pyplotasplt#散點(diǎn)圖#plt.scatter(df['user_id'],df['amount_scaled'])#用戶ID作為X可能不合適，這里用用戶序號(hào)或分組ID示意#plt.title('UserIDvsScaledAmount(ScatterPlot)')#plt.xlabel('UserID(orIndex)')#plt.ylabel('ScaledAmount')#plt.show()#箱線圖df.boxplot(column='amount_scaled',by='user_id',rot=90,grid=False,figsize=(10,6))plt.title('ScaledAmountbyUserID(Boxplot)')plt.xlabel('UserID')plt.ylabel('ScaledAmount')plt.show()#簡(jiǎn)要描述：箱線圖顯示不同用戶的購(gòu)買金額（已標(biāo)準(zhǔn)化）分布范圍、中位數(shù)、四分位數(shù)和潛在異常值。如果箱線圖顯示不同用戶之間的箱體（IQR）有顯著差異，且中位數(shù)位置不同，則表明用戶ID與購(gòu)買金額可能存在關(guān)聯(lián)?？赡苡^察到某些用戶購(gòu)買金額普遍較高或較低。```*解析思路：選擇合適的可視化方法（散點(diǎn)圖或箱線圖）來探索用戶與金額的關(guān)系。散點(diǎn)圖顯示每個(gè)數(shù)據(jù)點(diǎn)，箱線圖則展示分布的集中趨勢(shì)、離散程度和異常值。使用`boxplot`函數(shù)繪制按`user_id`分組的`amount_scaled`的箱線圖。通過箱線圖的高度、位置和異常值點(diǎn)的分布，分析是否存在用戶群體在購(gòu)買金額上的顯著差異。5.```pythonQ1=df['amount'].quantile(0.25)Q3=df['amount'].quantile(0.75)IQR=Q3-Q1lower_bound=Q1-1.5*IQRupper_bound=Q3+1.5*IQRoutliers=df[(df['amount']<lower_bound)|(df['amount']>upper_bound)]#標(biāo)記而非刪除：可以在原df中添加一列標(biāo)記df['amount_outlier_flag']=((df['amount']<lower_bound)|(df['amount']>upper_bound)).astype(int)outlier_count=outliers.shape[0]print(f"\n基于IQR標(biāo)記的潛在異常值數(shù)量：{outlier_count}")#說明：IQR方法識(shí)別那些低于Q1-1.5*IQR或高于Q3+1.5*IQR的值。這是一種常用的異常值檢測(cè)方法。標(biāo)記（如添加布爾列或整數(shù)列）允許保留原始數(shù)據(jù)，同時(shí)記錄異常值位置，便于后續(xù)分析或決策（如是否移除、是否需要特殊處理）。計(jì)算出的outlier_count是標(biāo)記為異常的記錄總數(shù)。```*解析思路：計(jì)算第一四分位數(shù)（Q1）、第三四分位數(shù)（Q3）和四分位距（IQR）。根據(jù)公式定義異常值的上下界（`lower_bound`,`upper_bound`）。使用條件索引找出落在界限之外的記錄（`outliers`）。`shape[0]`獲取異常值記錄的數(shù)量。為了標(biāo)記而非刪除，可以創(chuàng)建一個(gè)新列`amount_outlier_flag`，在異常值位置填充1，其他位置填充0。`outlier_count`即為這個(gè)新列中1的總數(shù)。三、機(jī)器學(xué)習(xí)模型應(yīng)用（35分）1.```python#假設(shè)選擇的相關(guān)特征為：'user_id','quantity','category_A','category_B','age'(如果存在)features=['user_id','quantity','category_A_Yes','category_B_Yes','age']#說明：選擇理由基于特征與目標(biāo)變量的潛在相關(guān)性。user_id區(qū)分用戶，quantity是直接輸入，category編碼后的特征代表商品偏好，age（如果數(shù)據(jù)中有）可能影響消費(fèi)。選擇應(yīng)基于數(shù)據(jù)探索和業(yè)務(wù)理解。```*解析思路：特征選擇是模型成功的關(guān)鍵。選擇與目標(biāo)`amount`相關(guān)且可能影響預(yù)測(cè)的特征。理由應(yīng)結(jié)合數(shù)據(jù)探索結(jié)果（如第二題分析）和領(lǐng)域知識(shí)。示例中選擇了用戶標(biāo)識(shí)、購(gòu)買數(shù)量、部分商品類別（獨(dú)熱編碼后）以及可能存在的用戶年齡等。實(shí)際選擇需依據(jù)具體數(shù)據(jù)。2.```pythonfromsklearn.model_selectionimporttrain_test_splitX=df[features]y=df['amount']X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)```*解析思路：`train_test_split`函數(shù)用于將數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集。`X`是特征數(shù)據(jù)，`y`是目標(biāo)變量（購(gòu)買金額）。`test_size=0.2`指定測(cè)試集占20%。`random_state=42`確保每次運(yùn)行劃分結(jié)果相同，便于復(fù)現(xiàn)和比較。函數(shù)返回四個(gè)結(jié)果：訓(xùn)練集特征`X_train`、測(cè)試集特征`X_test`、訓(xùn)練集目標(biāo)`y_train`、測(cè)試集目標(biāo)`y_test`。3.```pythonfromsklearn.linear_modelimportLinearRegressionmodel=LinearRegression()model.fit(X_train,y_train)#或者使用其他回歸模型，如#fromsklearn.ensembleimportRandomForestRegressor#model=RandomForestRegressor(random_state=42)#model.fit(X_train,y_train)#說明：選擇LinearRegression作為示例。fit方法訓(xùn)練模型，使用訓(xùn)練數(shù)據(jù)(X_train,y_train)。```*解析思路：根據(jù)任務(wù)選擇合適的回歸模型。這里以`LinearRegression`為例（通用、簡(jiǎn)單）。`sklearn`中的`fit`方法是訓(xùn)練模型的核心，它根據(jù)訓(xùn)練數(shù)據(jù)學(xué)習(xí)特征與目標(biāo)之間的映射關(guān)系。也可以選擇其他模型如`RandomForestRegressor`等，根據(jù)數(shù)據(jù)特性選擇。4.```pythonfromsklearn.metricsimportmean_squared_error,r2_scorey_pred=model.predict(X_test)rmse=mean_squared_error(y_test,y_pred,squared=False)#squared=False計(jì)算RMSEr2=r2_score(y_test,y_pred)print(f"\nRMSE:{rmse:.4f}")print(f"R2Score:{r2:.4f}")#說明：RMSE衡量預(yù)測(cè)值與真實(shí)值之間的平均絕對(duì)差（考慮了誤差方向），對(duì)大誤差更敏感。R2（決定系數(shù)）衡量模型對(duì)數(shù)據(jù)變異性的解釋程度，范圍在0到1之間，越接近1表示擬合越好。選擇這兩個(gè)指標(biāo)是因?yàn)樗鼈兪腔貧w問題常用的、信息量豐富的評(píng)估標(biāo)準(zhǔn)。```*解析思路：`predict`方法使用訓(xùn)練好的模型對(duì)測(cè)試集特征`X_test`進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)值`y_pred`。`mean_squared_error`計(jì)算預(yù)測(cè)值與真實(shí)值`y_test`之間的均方誤差，`squared=False`參數(shù)指示返回的是RMSE。`r2_score`計(jì)算R2分?jǐn)?shù)。報(bào)告這兩個(gè)指標(biāo)以量化模型在未見數(shù)據(jù)上的預(yù)測(cè)性能。5.```python#結(jié)果分析示例（基于假設(shè)的RMSE和R2）#假設(shè)RMSE較大（如標(biāo)準(zhǔn)差的數(shù)倍），R2較低（如<0.5）#分析：模型預(yù)測(cè)精度不高，誤差較大?？赡茉颍壕€性模型過于簡(jiǎn)單，未能捕捉數(shù)據(jù)中的非線性關(guān)系；特征選擇不足，缺少重要預(yù)測(cè)變量；特征工程效果不佳；數(shù)據(jù)本身噪聲大或關(guān)系復(fù)雜；存在未考慮的異常值影響。#改進(jìn)方向：嘗試非線性模型（如多項(xiàng)式回歸、決策樹、隨機(jī)森林、梯度提升樹）；增加更多相關(guān)特征（如用戶注冊(cè)時(shí)長(zhǎng)、歷史購(gòu)買頻率、商品價(jià)格等）；對(duì)特征進(jìn)行更深入的工程（如交叉特征、多項(xiàng)式特征）；使用更復(fù)雜的預(yù)處理方法處理異常值或缺失值；考慮對(duì)目標(biāo)變量進(jìn)行變換（如對(duì)數(shù)變換）以改善分布和方差。```*解析思路：基于假設(shè)的評(píng)估指標(biāo)值（RMSE和R2）進(jìn)行批判性分析。如果指標(biāo)不佳，需要思考原因?？赡艿脑虬Ｐ瓦x擇、特征工程、數(shù)據(jù)質(zhì)量等。提出具體的改進(jìn)措施，如嘗試更復(fù)雜的模型、增加特征、改進(jìn)預(yù)處理等，體現(xiàn)解決問題的迭代思維。四、特定場(chǎng)景問題解決（15分）1.數(shù)據(jù)/方法：我會(huì)利用用戶的歷史購(gòu)買記錄（`user_id`和`category`列）來構(gòu)建用戶的“興趣畫像”。具體方法包括計(jì)算每個(gè)用戶購(gòu)買過的商品類別頻率，并找出他們“未購(gòu)買”但“其他相似用戶”購(gòu)買頻率較高的類別。```#示例思路偽代碼：#1.計(jì)算每個(gè)用戶的購(gòu)買類別頻率df_user_category_counts#2.計(jì)算每個(gè)類別的總購(gòu)買次數(shù)df_category_total_counts#3.對(duì)于每個(gè)用戶，找出其未購(gòu)買過的類別set(user_categories)-set(all_categories)#4.對(duì)于用戶未購(gòu)買過的每個(gè)類別candidate_category：#a.找到購(gòu)買過candidate_category的其他用戶group_similar_users=df[df['category']==candidate_category]['user_id']#b.