2025 年高职大数据技术与应用（数据清洗）实操卷

2025年高职大数据技术与应用（数据清洗）实操卷

（考试时间：90分钟满分100分）班级______姓名______一、单项选择题（总共10题，每题4分，每题只有一个正确答案，请将正确答案填写在括号内）1.以下哪种数据类型通常不需要进行清洗（）A.数值型B.文本型C.日期型D.已经经过验证且格式规范的数据2.对于缺失值较多的列，最不适合采用的处理方法是（）A.删除该列B.用均值填充C.用中位数填充D.用随机值填充3.清洗数据时，判断数据是否重复主要依据（）A.数据的长度B.数据的内容C.数据的格式D.数据的来源4.以下哪种情况不属于数据噪声（）A.数据中的错别字B.数据中的异常值C.数据中的空值D.数据中的乱码5.当数据存在不一致性时，比如同一字段在不同记录中有不同的表示方式，应该（）A.忽略B.统一格式C.随机选择一种格式D.全部删除6.清洗含有无效字符的数据时，通常采用的方法是（）A.替换B.截断C.补齐D.合并7.对于数据清洗中的数据标准化，以下说法错误的是（）A.可以使不同来源的数据具有可比性B.包括最小-最大标准化等方法C.会改变数据的分布特征D.能提高数据的质量8.在清洗数据时，发现某一列数据的取值范围明显超出正常范围，这种数据属于（）A.缺失值B.噪声数据C.重复数据D.不一致数据9.以下哪种数据清洗工具在处理大规模数据时效率较高（）A.ExcelB.Python的pandas库C.SQLD.人工手动处理10.清洗数据的主要目的不包括（）A.提高数据质量B.增加数据量C.便于数据分析D.减少数据冗余二、多项选择题（总共5题，每题6分，每题有两个或两个以上正确答案，请将正确答案填写在括号内，多选、少选、错选均不得分）1.数据清洗的步骤通常包括（）A.数据集成B.数据预处理C.数据转换D.数据清理E.数据挖掘2.以下哪些属于数据清洗中处理缺失值的方法（）A.用固定值填充B.用统计值填充C.基于模型预测填充D.直接删除缺失值所在记录E.不做处理3.数据噪声可能来源于（）A.数据采集设备故障B.数据录入错误C.数据传输问题D.数据本身的特性E.数据存储介质损坏4.清洗文本型数据时，可能需要进行的操作有（）A.去除标点符号B.转换大小写C.分词D.去除停用词E.提取关键词5.数据清洗中数据标准化的常见方法有（）A.零-均值标准化B.小数定标标准化C.最大-最小标准化D.对数变换标准化E.指数变换标准化三、判断题（总共10题，每题3分，请判断下列说法是否正确，正确的打√，错误的打×）1.数据清洗只是简单地删除重复数据，其他操作不需要进行。（）2.缺失值较多的数据列对数据分析没有任何价值，可以直接删除。（）3.数据噪声不会影响数据分析的结果，不需要进行处理。（）4.数据清洗过程中，对于不一致的数据必须统一格式。（）5.清洗数据时，只要保证数据的准确性就可以，不需要考虑数据结构的一致性。（）6.数据标准化可以使不同规模的数据具有相同的特征，便于比较。（）7.对于数值型数据，异常值一定是错误的数据，必须删除。（）8.清洗数据可以提高数据的可用性和分析价值。（）9.人工手动清洗数据效率高，适合处理大规模数据。（）10.数据清洗是一个一次性的过程，完成后不需要再次进行。（）四、简答题（总共3题，每题10分，请简要回答问题）1.请简述数据清洗的主要流程。2.当遇到数据中的异常值时，有哪些常见的处理方法？3.说明文本型数据清洗中去除停用词的作用及常用的停用词表来源。五、实操题（总共1题，每题30分，请根据给定的数据进行清洗操作）给定一份包含学生成绩的数据文件，部分数据如下：|学号|姓名|数学成绩|语文成绩|英语成绩||---|---|---|---|---||101|张三|85|90|78||102|李四|NULL|88|82||103|王五|92|NULL|85||104|赵六|88|95|89||105|孙七|90|92|NULL||106|周八|86|87|83||107|吴九|NULL|NULL|NULL||108|郑十|91|93|87|请完成以下清洗操作：1.找出并处理缺失值。2.检查是否存在重复记录，如有则删除。3.对数学成绩、语文成绩、英语成绩进行数据标准化处理（采用最小-最大标准化方法）。答案：一、单项选择题1.D2.D3.B4.C5.B6.A7.C8.B9.B10.B二、多项选择题1.BCD2.ABCD3.ABC4.ABCDE5.ABC三、判断题1.×2.×3.×4.√5.×6.√7.×8.√9.×10.×四、简答题1.数据清洗主要流程：首先进行数据预处理，包括数据收集、导入等；然后检查数据的完整性，找出缺失值；接着处理重复数据；再识别和处理数据噪声与异常值；最后进行数据转换，如标准化等操作，使数据更适合分析。2.常见处理异常值的方法：删除异常值所在记录，但可能损失信息；用均值、中位数等统计量替换异常值；基于数据分布模型预测异常值并替换；将异常值视为特殊值单独标记处理。3.去除停用词的作用：停用词通常是一些无实际意义的词，如“的”“是”“在”等，去除它们可以减少文本的冗余信息，提高文本分析的效率和准确性。常用的停用词表来源有NLTK（NaturalLanguageToolkit）库自带的停用词表，也可以根据具体需求自定义停用词表。五、实操题1.缺失值处理：对于数学成绩列，102、103、105、107的缺失值用该列均值填充；语文成绩列，102、103、107的缺失值用均值填充；英语成绩列，103、105、107的缺失值用均值填充。2.经检查无重复记录。3.最小-最大标准化公式：$x_{new}=\frac{x-x_{min}}{x_{max}-x_{min}}$。数学成绩最小值85，最大值92，语文成绩最小值86，最大值95，英语成绩最小值82，最大值89。标准化后数据如下：|学号|姓名|数学成绩|语文成绩|英语成绩||---|---|---|---|---||101|张三|0.71