Python數(shù)據(jù)分析實戰(zhàn)專項訓(xùn)練試卷2025年考試沖刺考試時間：______分鐘總分：______分姓名：______一、選擇題（每題2分，共20分）1.在Python中，用于處理結(jié)構(gòu)化數(shù)據(jù)的庫通常是？A.NumPyB.MatplotlibC.PandasD.Scikit-learn2.下列哪個Pandas方法用于刪除`DataFrame`中的重復(fù)行？A.`dropna()`B.`fillna()`C.`drop_duplicates()`D.`unique()`3.當(dāng)你需要從`DataFrame`中選擇特定列，并按該列的值進(jìn)行排序時，以下哪種方法更為直接和常用？A.使用布爾索引結(jié)合`sort_values()`B.使用`apply()`函數(shù)C.直接在`loc[]`或`iloc[]`中指定列名并傳入排序參數(shù)D.需要先創(chuàng)建新列再排序4.在Pandas中，`merge()`函數(shù)默認(rèn)使用的連接方式是？A.外連接（FullOuterJoin）B.內(nèi)連接（InnerJoin）C.左連接（LeftOuterJoin）D.右連接（RightOuterJoin）5.若要計算`DataFrame`中某個數(shù)值列的平均值，忽略其中的`NaN`值，應(yīng)使用哪個方法？A.`sum()/count()`B.`mean(skipna=True)`C.`mean()`D.`average()`6.以下哪個Matplotlib函數(shù)最適合創(chuàng)建直方圖？A.`plot()`B.`scatter()`C.`bar()`D.`hist()`7.在進(jìn)行數(shù)據(jù)可視化時，如果數(shù)據(jù)點非常多，使用散點圖可能會導(dǎo)致圖表難以解讀，這時可以考慮使用？A.箱線圖B.餅圖C.平行坐標(biāo)圖D.熱力圖8.下列哪個不是Seaborn庫基于的繪圖庫？A.MatplotlibB.PlotlyC.BokehD.ggplot9.在處理時間序列數(shù)據(jù)時，使用`resample()`方法的主要目的是？A.填充缺失值B.對數(shù)據(jù)進(jìn)行重采樣，改變時間粒度（如從天到周）C.對數(shù)據(jù)進(jìn)行平滑處理D.將時間序列轉(zhuǎn)換為分類數(shù)據(jù)10.對于分類變量，在進(jìn)行可視化或機器學(xué)習(xí)建模前，通常需要進(jìn)行編碼，以下哪種方法不屬于常見的編碼方式？A.One-HotEncodingB.LabelEncodingC.StandardScalerD.TargetEncoding二、填空題（每空2分，共20分）1.在Pandas中，`DataFrame`的行索引被稱為_______，列索引被稱為_______。2.若要篩選出`DataFrame`中某個數(shù)值列值大于10的行，可以使用_______索引方法。3.使用`df['column_name'].str.contains('pattern')`可以檢查列中是否包含特定模式，這里的`.str`表示_______。4.語句`pd.to_datetime(df['date_column'])`的主要作用是將_______列轉(zhuǎn)換為Pandas的`datetime`類型。5.Matplotlib中的`plt.figure()`函數(shù)用于創(chuàng)建一個新的圖形畫布，其參數(shù)`figsize=(寬,高)`用于設(shè)置畫布的_______和_______。6.在Seaborn中，使用`sns.histplot(data=df,x='variable')`函數(shù)可以繪制_______。7.當(dāng)需要對`DataFrame`進(jìn)行分組操作后，若想計算每組的多個統(tǒng)計量（如均值、計數(shù)），常用`groupby().agg()`方法，其中`agg()`可以傳入一個_______來指定多個統(tǒng)計函數(shù)。8.在進(jìn)行特征工程時，若想基于某列創(chuàng)建其滯后一期的值（滯后特征），可以使用Pandas的`shift()`方法。9.對分類特征進(jìn)行One-Hot編碼后，通常會得到一個（或多個）_______型的列。10.如果在進(jìn)行數(shù)據(jù)分析時，發(fā)現(xiàn)某個數(shù)值特征的分布嚴(yán)重偏態(tài)，可能需要考慮進(jìn)行_______轉(zhuǎn)換使其更接近正態(tài)分布。三、代碼編寫題（每題10分，共30分）1.假設(shè)有一個`DataFrame`名為`df`，包含以下列：`'user_id'`（整數(shù)），`'age'`（整數(shù)），`'purchase_amount'`（浮點數(shù)），`'date'`（字符串，格式為'YYYY-MM-DD'）。請編寫代碼完成以下任務(wù)：a.將`'date'`列轉(zhuǎn)換為Pandas的`datetime`類型。b.計算每個用戶的平均`'purchase_amount'`，并將結(jié)果按平均值從高到低排序。c.篩選出年齡大于30歲，并且`'purchase_amount'`大于其所在年齡組的平均`'purchase_amount'`的用戶。2.假設(shè)有以下`DataFrame``df`：```pythonimportpandasaspddata={'A':['foo','bar','foo','bar','foo','bar','foo','foo'],'B':['one','one','one','two','two','two','one','three'],'C':['small','large','large','small','small','large','small','small'],'D':[1,2,2,3,3,4,5,6],'E':[2,4,5,5,6,6,8,9]}df=pd.DataFrame(data)```請編寫代碼完成以下任務(wù)：a.使用`pivot_table()`創(chuàng)建一個`DataFrame`，其索引為`'A'`，列名為`'B'`，值為`'D'`列的和，并填充缺失值為0。b.基于`'A'`和`'B'`列，對原始`df`進(jìn)行分組，并計算每個組的`'D'`和`'E'`列的平均值。3.假設(shè)有一個`DataFrame``df`，包含列`'value'`（數(shù)值型）。請編寫代碼：a.使用Matplotlib繪制`'value'`列的簡單線形圖。b.在同一張圖上，使用Seaborn繪制`'value'`列的分布直方圖（使用默認(rèn)參數(shù)）。c.為線形圖設(shè)置標(biāo)題為"ValueTrend"，為直方圖設(shè)置y軸標(biāo)簽為"Frequency"。四、綜合應(yīng)用題（共30分）假設(shè)你獲得了一份關(guān)于某電商平臺用戶行為的銷售數(shù)據(jù)（非給出，需自行假設(shè)處理），數(shù)據(jù)包含字段：`user_id`（用戶ID），`session_id`（會話ID），`purchase_id`（購買ID），`product_category`（商品類別），`product_price`（商品價格），`purchase_timestamp`（購買時間戳，格式為'YYYY-MM-DDHH:MM:SS'），`user_location`（用戶地理位置）。請完成以下分析任務(wù)：1.（10分）讀取數(shù)據(jù)（假設(shè)數(shù)據(jù)已加載到名為`sales_data`的DataFrame中）。進(jìn)行初步探索性分析：a.查看數(shù)據(jù)的前5行。b.概述數(shù)據(jù)的基本信息（包括每列的數(shù)據(jù)類型和非空值數(shù)量）。c.計算總銷售額、平均訂單價格（按`purchase_id`分組）以及不同`product_category`的數(shù)量。d.繪制不同`product_category`的數(shù)量分布圖（如條形圖）。2.（10分）進(jìn)行數(shù)據(jù)轉(zhuǎn)換與特征工程：a.將`purchase_timestamp`列轉(zhuǎn)換為`datetime`類型，并創(chuàng)建新列`purchase_date`（只包含年月日）和`purchase_hour`（只包含小時）。b.基于每個用戶的`user_id`，計算該用戶的總消費金額和購買次數(shù)，并將結(jié)果作為新列添加到`sales_data`中。c.對`user_location`進(jìn)行簡單處理，例如，提取省份信息（假設(shè)格式為"城市,省份"），創(chuàng)建新列`province`。3.（10分）根據(jù)以上處理后的數(shù)據(jù)，回答以下問題并給出簡要分析：a.用戶的總消費金額和購買次數(shù)之間是否存在相關(guān)性？請計算相關(guān)系數(shù)并簡單說明。b.哪個商品類別（`product_category`）的訂單數(shù)量最多？哪個商品類別的平均訂單價格最高？c.簡要分析一天中哪個時間段的購買活動相對更頻繁。試卷答案一、選擇題1.C2.C3.A4.B5.C6.D7.A8.B9.B10.C二、填空題1.索引,列名2.布爾3.字符串（或str）4.日期（或日期列）5.寬度,高度6.直方圖7.列表（或函數(shù)列表）8.滯后（或shift）9.二元（或binary）10.對數(shù)（或log）三、代碼編寫題1.```python#asales_data['date']=pd.to_datetime(sales_data['date'])#bavg_purchase_by_user=sales_data.groupby('user_id')['purchase_amount'].mean().sort_values(ascending=False)#cuser_group_avg=sales_data.groupby('age')['purchase_amount'].transform('mean')selected_users=sales_data[(sales_data['age']>30)&(sales_data['purchase_amount']>user_group_avg)]```解析思路：a.使用`pd.to_datetime()`將字符串格式的日期轉(zhuǎn)換為Pandas的`datetime`類型。b.使用`groupby('user_id')`按用戶ID分組，`['purchase_amount'].mean()`計算每個用戶的平均購買金額，`sort_values(ascending=False)`按平均值降序排序。c.使用`groupby('age')['purchase_amount'].transform('mean')`計算每個年齡組的平均購買金額，并將其廣播（broadcast）到每一行。然后篩選出年齡大于30且其購買金額大于所在年齡組平均金額的用戶。2.```python#apivot_result=df.pivot_table(index='A',columns='B',values='D',aggfunc='sum',fill_value=0)#bgroup_avg=df.groupby(['A','B']).agg({'D':'mean','E':'mean'}).reset_index()```解析思路：a.使用`pivot_table()`，設(shè)置`index='A'`，`columns='B'`，`values='D'`，`aggfunc='sum'`計算和，`fill_value=0`填充缺失值。b.使用`groupby(['A','B'])`按'A'和'B'列分組，`agg({'D':'mean','E':'mean'})`計算'D'和'E'列的平均值，`reset_index()`將分組鍵也還原為列。3.```pythonimportmatplotlib.pyplotaspltimportseabornassns#aplt.figure(figsize=(8,4))plt.plot(df['value'],label='ValueTrend')plt.title("ValueTrend")plt.legend()#bsns.histplot(data=df,x='value',color='skyblue',kde=True)#kde=True添加核密度估計圖plt.ylabel("Frequency")#c#(a部分已設(shè)置標(biāo)題和圖例，此處為b部分設(shè)置y軸標(biāo)簽)#注意：需要在b繪圖后設(shè)置，或者將a和b放在同一個plt.figure中```解析思路：a.使用`plt.figure()`創(chuàng)建畫布并設(shè)置大小，`plt.plot()`繪制線形圖，`plt.title()`設(shè)置標(biāo)題，`plt.legend()`添加圖例。b.使用`sns.histplot()`繪制直方圖，`data=df`,`x='value'`指定數(shù)據(jù)和變量，`color`設(shè)置顏色，`kde=True`可疊加核密度估計曲線。c.使用`plt.ylabel()`設(shè)置直方圖的y軸標(biāo)簽為"Frequency"。四、綜合應(yīng)用題1.```python#aprint(sales_data.head())#bprint(sales_())#ctotal_sales=sales_data['product_price'].sum()avg_order_price=sales_data.groupby('purchase_id')['product_price'].mean().mean()category_counts=sales_data['product_category'].value_counts()print(f"TotalSales:{total_sales}")print(f"AverageOrderPrice:{avg_order_price}")print(category_counts)#dsns.countplot(data=sales_data,x='product_category')plt.title('DistributionofProductCategories')plt.xlabel('ProductCategory')plt.ylabel('Count')plt.xticks(rotation=45)#旋轉(zhuǎn)x軸標(biāo)簽以便閱讀plt.show()```解析思路：a.使用`head()`查看數(shù)據(jù)前5行。b.使用`info()`查看數(shù)據(jù)基本信息，包括列的數(shù)據(jù)類型和非空值數(shù)量。c.使用`sum()`計算總銷售額。使用`groupby('purchase_id')['product_price'].mean()`計算每個訂單的平均價格，再對其平均值求均值得到全局平均訂單價格。使用`value_counts()`統(tǒng)計不同商品類別的數(shù)量。d.使用`sns.countplot()`繪制條形圖，`data=sales_data`,`x='product_category'`指定數(shù)據(jù)和要繪制分布的列，`plt.title()`,`plt.xlabel()`,`plt.ylabel()`設(shè)置圖表標(biāo)題和軸標(biāo)簽，`plt.xticks(rotation=45)`旋轉(zhuǎn)x軸刻度標(biāo)簽。2.```python#asales_data['purchase_timestamp']=pd.to_datetime(sales_data['purchase_timestamp'])sales_data['purchase_date']=sales_data['purchase_timestamp'].dt.datesales_data['purchase_hour']=sales_data['purchase_timestamp'].dt.hour#buser_stats=sales_data.groupby('user_id')['product_price'].sum().reset_index()user_stats.columns=['user_id','total_spent']user_counts=sales_data.groupby('user_id').size().reset_index(name='purchase_count')user_stats=user_stats.merge(user_counts,on='user_id')sales_data=sales_data.merge(user_stats,on='user_id')#csales_data['province']=sales_data['user_location'].apply(lambdax:x.split(',')[1].strip()if','inxelsex)```解析思路：a.使用`pd.to_datetime()`轉(zhuǎn)換時間戳列。使用`dt.date`提取日期部分創(chuàng)建`purchase_date`列，使用`dt.hour`提取小時部分創(chuàng)建`purchase_hour`列。b.使用`groupby('user_id')['product_price'].sum()`計算每個用戶的總消費，`reset_index()`創(chuàng)建新`DataFrame`。重命名列。使用`groupby('user_id').size()`計算每個用戶的購買次數(shù)，`reset_index(name='purchase_count')`。使用`merge()`將總消費和購買次數(shù)信息合并回原始`sales_data`。c.使用`apply()`函數(shù)，對`user_location`列進(jìn)行處理，通過分割字符串并提取第二個元素（省份）來創(chuàng)建`province`列。使用`strip()`去除可能的空格。3.```python#acorrelation=sales_data['total_spent'].corr(sales_data['purchase_count'])print(f"Correlationbetweentotalspentandpurchasecount:{correlation}")#解析:高于0.5或低于-0.5通常認(rèn)為有較強相關(guān)性#bcategory_order_count=sales_data['product_category'].value_counts()category_avg_price=sales_data