Python数据分析实战专项训练试卷 2025年考试冲刺

Python数据分析实战专项训练试卷2025年考试冲刺考试时间：______分钟总分：______分姓名：______一、选择题（每题2分，共20分）1.在Python中，用于处理结构化数据的库通常是？A.NumPyB.MatplotlibC.PandasD.Scikit-learn2.下列哪个Pandas方法用于删除`DataFrame`中的重复行？A.`dropna()`B.`fillna()`C.`drop_duplicates()`D.`unique()`3.当你需要从`DataFrame`中选择特定列，并按该列的值进行排序时，以下哪种方法更为直接和常用？A.使用布尔索引结合`sort_values()`B.使用`apply()`函数C.直接在`loc[]`或`iloc[]`中指定列名并传入排序参数D.需要先创建新列再排序4.在Pandas中，`merge()`函数默认使用的连接方式是？A.外连接（FullOuterJoin）B.内连接（InnerJoin）C.左连接（LeftOuterJoin）D.右连接（RightOuterJoin）5.若要计算`DataFrame`中某个数值列的平均值，忽略其中的`NaN`值，应使用哪个方法？A.`sum()/count()`B.`mean(skipna=True)`C.`mean()`D.`average()`6.以下哪个Matplotlib函数最适合创建直方图？A.`plot()`B.`scatter()`C.`bar()`D.`hist()`7.在进行数据可视化时，如果数据点非常多，使用散点图可能会导致图表难以解读，这时可以考虑使用？A.箱线图B.饼图C.平行坐标图D.热力图8.下列哪个不是Seaborn库基于的绘图库？A.MatplotlibB.PlotlyC.BokehD.ggplot9.在处理时间序列数据时，使用`resample()`方法的主要目的是？A.填充缺失值B.对数据进行重采样，改变时间粒度（如从天到周）C.对数据进行平滑处理D.将时间序列转换为分类数据10.对于分类变量，在进行可视化或机器学习建模前，通常需要进行编码，以下哪种方法不属于常见的编码方式？A.One-HotEncodingB.LabelEncodingC.StandardScalerD.TargetEncoding二、填空题（每空2分，共20分）1.在Pandas中，`DataFrame`的行索引被称为_______，列索引被称为_______。2.若要筛选出`DataFrame`中某个数值列值大于10的行，可以使用_______索引方法。3.使用`df['column_name'].str.contains('pattern')`可以检查列中是否包含特定模式，这里的`.str`表示_______。4.语句`pd.to_datetime(df['date_column'])`的主要作用是将_______列转换为Pandas的`datetime`类型。5.Matplotlib中的`plt.figure()`函数用于创建一个新的图形画布，其参数`figsize=(宽,高)`用于设置画布的_______和_______。6.在Seaborn中，使用`sns.histplot(data=df,x='variable')`函数可以绘制_______。7.当需要对`DataFrame`进行分组操作后，若想计算每组的多个统计量（如均值、计数），常用`groupby().agg()`方法，其中`agg()`可以传入一个_______来指定多个统计函数。8.在进行特征工程时，若想基于某列创建其滞后一期的值（滞后特征），可以使用Pandas的`shift()`方法。9.对分类特征进行One-Hot编码后，通常会得到一个（或多个）_______型的列。10.如果在进行数据分析时，发现某个数值特征的分布严重偏态，可能需要考虑进行_______转换使其更接近正态分布。三、代码编写题（每题10分，共30分）1.假设有一个`DataFrame`名为`df`，包含以下列：`'user_id'`（整数），`'age'`（整数），`'purchase_amount'`（浮点数），`'date'`（字符串，格式为'YYYY-MM-DD'）。请编写代码完成以下任务：a.将`'date'`列转换为Pandas的`datetime`类型。b.计算每个用户的平均`'purchase_amount'`，并将结果按平均值从高到低排序。c.筛选出年龄大于30岁，并且`'purchase_amount'`大于其所在年龄组的平均`'purchase_amount'`的用户。2.假设有以下`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)```请编写代码完成以下任务：a.使用`pivot_table()`创建一个`DataFrame`，其索引为`'A'`，列名为`'B'`，值为`'D'`列的和，并填充缺失值为0。b.基于`'A'`和`'B'`列，对原始`df`进行分组，并计算每个组的`'D'`和`'E'`列的平均值。3.假设有一个`DataFrame``df`，包含列`'value'`（数值型）。请编写代码：a.使用Matplotlib绘制`'value'`列的简单线形图。b.在同一张图上，使用Seaborn绘制`'value'`列的分布直方图（使用默认参数）。c.为线形图设置标题为"ValueTrend"，为直方图设置y轴标签为"Frequency"。四、综合应用题（共30分）假设你获得了一份关于某电商平台用户行为的销售数据（非给出，需自行假设处理），数据包含字段：`user_id`（用户ID），`session_id`（会话ID），`purchase_id`（购买ID），`product_category`（商品类别），`product_price`（商品价格），`purchase_timestamp`（购买时间戳，格式为'YYYY-MM-DDHH:MM:SS'），`user_location`（用户地理位置）。请完成以下分析任务：1.（10分）读取数据（假设数据已加载到名为`sales_data`的DataFrame中）。进行初步探索性分析：a.查看数据的前5行。b.概述数据的基本信息（包括每列的数据类型和非空值数量）。c.计算总销售额、平均订单价格（按`purchase_id`分组）以及不同`product_category`的数量。d.绘制不同`product_category`的数量分布图（如条形图）。2.（10分）进行数据转换与特征工程：a.将`purchase_timestamp`列转换为`datetime`类型，并创建新列`purchase_date`（只包含年月日）和`purchase_hour`（只包含小时）。b.基于每个用户的`user_id`，计算该用户的总消费金额和购买次数，并将结果作为新列添加到`sales_data`中。c.对`user_location`进行简单处理，例如，提取省份信息（假设格式为"城市,省份"），创建新列`province`。3.（10分）根据以上处理后的数据，回答以下问题并给出简要分析：a.用户的总消费金额和购买次数之间是否存在相关性？请计算相关系数并简单说明。b.哪个商品类别（`product_category`）的订单数量最多？哪个商品类别的平均订单价格最高？c.简要分析一天中哪个时间段的购买活动相对更频繁。试卷答案一、选择题1.C2.C3.A4.B5.C6.D7.A8.B9.B10.C二、填空题1.索引,列名2.布尔3.字符串（或str）4.日期（或日期列）5.宽度,高度6.直方图7.列表（或函数列表）8.滞后（或shift）9.二元（或binary）10.对数（或log）三、代码编写题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()`将字符串格式的日期转换为Pandas的`datetime`类型。b.使用`groupby('user_id')`按用户ID分组，`['purchase_amount'].mean()`计算每个用户的平均购买金额，`sort_values(ascending=False)`按平均值降序排序。c.使用`groupby('age')['purchase_amount'].transform('mean')`计算每个年龄组的平均购买金额，并将其广播（broadcast）到每一行。然后筛选出年龄大于30且其购买金额大于所在年龄组平均金额的用户。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()`，设置`index='A'`，`columns='B'`，`values='D'`，`aggfunc='sum'`计算和，`fill_value=0`填充缺失值。b.使用`groupby(['A','B'])`按'A'和'B'列分组，`agg({'D':'mean','E':'mean'})`计算'D'和'E'列的平均值，`reset_index()`将分组键也还原为列。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添加核密度估计图plt.ylabel("Frequency")#c#(a部分已设置标题和图例，此处为b部分设置y轴标签)#注意：需要在b绘图后设置，或者将a和b放在同一个plt.figure中```解析思路：a.使用`plt.figure()`创建画布并设置大小，`plt.plot()`绘制线形图，`plt.title()`设置标题，`plt.legend()`添加图例。b.使用`sns.histplot()`绘制直方图，`data=df`,`x='value'`指定数据和变量，`color`设置颜色，`kde=True`可叠加核密度估计曲线。c.使用`plt.ylabel()`设置直方图的y轴标签为"Frequency"。四、综合应用题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)#旋转x轴标签以便阅读plt.show()```解析思路：a.使用`head()`查看数据前5行。b.使用`info()`查看数据基本信息，包括列的数据类型和非空值数量。c.使用`sum()`计算总销售额。使用`groupby('purchase_id')['product_price'].mean()`计算每个订单的平均价格，再对其平均值求均值得到全局平均订单价格。使用`value_counts()`统计不同商品类别的数量。d.使用`sns.countplot()`绘制条形图，`data=sales_data`,`x='product_category'`指定数据和要绘制分布的列，`plt.title()`,`plt.xlabel()`,`plt.ylabel()`设置图表标题和轴标签，`plt.xticks(rotation=45)`旋转x轴刻度标签。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()`转换时间戳列。使用`dt.date`提取日期部分创建`purchase_date`列，使用`dt.hour`提取小时部分创建`purchase_hour`列。b.使用`groupby('user_id')['product_price'].sum()`计算每个用户的总消费，`reset_index()`创建新`DataFrame`。重命名列。使用`groupby('user_id').size()`计算每个用户的购买次数，`reset_index(name='purchase_count')`。使用`merge()`将总消费和购买次数信息合并回原始`sales_data`。c.使用`apply()`函数，对`user_location`列进行处理，通过分割字符串并提取第二个元素（省份）来创建`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通常认为有较强相关性#bcategory_order_count=sales_data['product_category'].value_counts()category_avg_price=sales_data