2025年python数据分析试题及答案

2025年python数据分析试题及答案一、单项选择题（每题2分，共20分）1.以下关于Pandas中DataFrame的描述，错误的是（）A.可通过df.reset_index(drop=True)将索引重置为默认整数索引并删除原索引B.df.loc[:,['col1','col2']]表示选取所有行的col1和col2列C.df['col3'].astype('category')会将col3列转换为数值类型D.df.groupby('category').agg({'sales':'sum'})可按category分组并计算sales总和答案：C2.某数据集中"price"列存在异常值（大于均值3倍标准差），最合理的处理方式是（）A.直接删除所有异常值所在行B.用均值替换异常值C.用中位数替换异常值D.结合业务场景判断异常值合理性后再处理答案：D3.对时间序列数据进行滚动窗口计算时，若需计算过去30天的移动平均，且要求窗口包含当前行，应使用（）A.df.rolling(window=30,closed='right')B.df.rolling(window=30,closed='left')C.df.rolling(window=30,closed='both')D.df.rolling(window=30,closed='neither')答案：A4.用Seaborn绘制分组箱线图时，若需按"region"分组展示"profit"的分布，正确的代码是（）A.sns.boxplot(x='profit',y='region',data=df)B.sns.boxplot(x='region',y='profit',data=df)C.sns.boxplot(hue='region',y='profit',data=df)D.sns.boxplot(x='profit',hue='region',data=df)答案：B5.某DataFrame的"date"列格式为"2024-05-1514:30:00"，需提取月份信息，正确的操作是（）A.df['date'].dt.monthB.df['date'].str.split('-')[1]C.pd.to_datetime(df['date']).dt.monthD.df['date'].apply(lambdax:x[5:7])答案：A（假设"date"列已为datetime类型，若未转换则选C）6.对包含10万条记录的数据集进行缺失值处理时，发现某列"customer_type"缺失率为65%，最优处理方式是（）A.删除该列B.用众数填充C.用KNN算法预测填充D.构建新特征标记缺失状态后删除该列答案：A7.计算两个变量的Spearman相关系数时，适用的场景是（）A.两个变量均为正态分布的连续变量B.一个变量为分类变量，另一个为连续变量C.两个变量为有序分类变量或非正态连续变量D.需衡量线性相关程度答案：C8.以下NumPy操作中，不会改变原数组的是（）A.arr.resize((2,3))B.arr[:,1]=0C.np.concatenate((arr1,arr2))D.arr.astype('float32')答案：C9.用Pandas读取CSV文件时，若文件中某些行的列数不一致，正确的处理参数是（）A.error_bad_lines=FalseB.on_bad_lines='skip'C.skiprows=3D.usecols=[0,1,2]答案：B（Pandas2.0+版本使用on_bad_lines参数）10.对用户行为数据进行RFM分析时，"Recency"指标通常指（）A.用户最近一次购买至今的时间B.用户总购买次数C.用户最近一次购买的金额D.用户平均购买间隔时间答案：A二、编程题（每题15分，共45分）1.现有电商订单数据集order.csv（字段：order_id,user_id,order_date,product_id,category,amount,is_refund），要求：（1）读取数据并将order_date转换为datetime类型；（2）筛选2024年1月1日至2024年6月30日期间未退款（is_refund=0）的订单；（3）计算每个用户（user_id）的总消费金额、订单数量及购买过的不同品类数量（category去重计数）。答案：```pythonimportpandasaspd（1）读取数据并转换日期格式df=pd.read_csv('order.csv')df['order_date']=pd.to_datetime(df['order_date'])（2）筛选时间范围和未退款订单start_date=pd.to_datetime('2024-01-01')end_date=pd.to_datetime('2024-06-30')filtered_df=df[(df['order_date']>=start_date)&(df['order_date']<=end_date)&(df['is_refund']==0)]（3）用户维度聚合计算user_stats=filtered_df.groupby('user_id').agg(total_amount=('amount','sum'),order_count=('order_id','nunique'),category_count=('category','nunique')).reset_index()print(user_stats.head())```2.某新能源汽车销售数据集sales.csv（字段：date,region,model,sales_volume,price），要求：（1）按"region"和"model"分组，计算2024年各季度的平均价格（price）和总销量（sales_volume）；（2）绘制各区域（region）2024年各季度总销量的堆积柱状图（x轴为季度，y轴为销量，不同颜色代表不同region）。答案：```pythonimportpandasaspdimportmatplotlib.pyplotasplt数据预处理df=pd.read_csv('sales.csv')df['date']=pd.to_datetime(df['date'])df=df[df['date'].dt.year==2024]筛选2024年数据df['quarter']='Q'+df['date'].dt.quarter.astype(str)提供季度字段（1）分组聚合grouped=df.groupby(['region','model','quarter']).agg(avg_price=('price','mean'),total_sales=('sales_volume','sum')).reset_index()（2）堆积柱状图绘制（按region和季度）先按region和季度汇总总销量（不考虑model）plot_data=df.groupby(['region','quarter'])['sales_volume'].sum().unstack('region')plt.figure(figsize=(10,6))plot_data.plot(kind='bar',stacked=True,ax=plt.gca())plt.xlabel('Quarter')plt.ylabel('TotalSalesVolume')plt.title('2024QuarterlySalesbyRegion(Stacked)')实际考试中可省略标题plt.legend(title='Region')plt.xticks(rotation=0)plt.show()```3.某社交平台用户行为数据集user_behavior.csv（字段：user_id,login_time,logout_time,page_views,interactions），其中login_time和logout_time为时间戳（单位：秒），要求：（1）计算每个用户的单次登录时长（logout_time-login_time，单位：分钟）；（2）处理异常登录时长（如负数、超过24小时），将异常值替换为该用户的平均登录时长（若用户无有效时长则删除）；（3）分析登录时长与页面浏览量（page_views）的相关性，输出Pearson相关系数和散点图。答案：```pythonimportpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltfromscipy.statsimportpearsonr（1）计算登录时长（分钟）df=pd.read_csv('user_behavior.csv')df['duration']=(df['logout_time']-df['login_time'])/60秒转分钟（2）处理异常值定义异常条件：时长<=0或>2460=1440分钟df['is_valid']=(df['duration']>0)&(df['duration']<=1440)按用户分组，计算有效时长的均值user_avg=df[df['is_valid']].groupby('user_id')['duration'].mean().reset_index()user_avg.rename(columns={'duration':'avg_duration'},inplace=True)合并平均时长到原数据df=df.merge(user_avg,on='user_id',how='left')替换异常值：无效时长用用户平均替换，无平均的删除（avg_duration为NaN）df['duration_clean']=np.where(df['is_valid'],df['duration'],df['avg_duration'])df=df.dropna(subset=['duration_clean'])删除无有效时长的用户记录（3）相关性分析corr,p_value=pearsonr(df['duration_clean'],df['page_views'])print(f"Pearson相关系数:{corr:.4f}")绘制散点图plt.figure(figsize=(8,5))plt.scatter(df['duration_clean'],df['page_views'],alpha=0.5)plt.xlabel('LoginDuration(minutes)')plt.ylabel('PageViews')plt.show()```三、综合分析题（35分）某生鲜电商公司提供了2023-2024年用户订单数据（orders.csv）和用户信息数据（users.csv），字段如下：orders.csv：order_id（订单ID）,user_id（用户ID）,order_time（下单时间）,product_id（商品ID）,category（商品品类）,amount（支付金额）,is_repeat（是否复购，1为是）users.csv：user_id（用户ID）,register_time（注册时间）,age（年龄）,city（城市）,member_level（会员等级，1-5级）要求完成以下分析任务：1.数据清洗（10分）：-检查并处理orders表中的缺失值（假设"category"列有5%缺失，"amount"列有2%缺失）；-检查orders表中"order_time"与users表中"register_time"的时间逻辑（用户下单时间应晚于注册时间），处理异常记录。2.用户分层分析（15分）：-计算每个用户的R（最近一次下单距今天数）、F（总订单数）、M（总支付金额）指标；-基于RFM模型对用户进行分层（至少分为4层），并描述各层用户特征。3.业务洞察（10分）：-结合用户信息（年龄、城市、会员等级）和RFM分层结果，提出提升高价值用户留存的策略建议。答案：1.数据清洗```pythonimportpandasaspdimportnumpyasnpfromdatetimeimportdatetime读取数据orders=pd.read_csv('orders.csv')users=pd.read_csv('users.csv')处理orders缺失值category列（5%缺失）：用该商品ID对应的众数品类填充（假设product_id与category强相关）category_mode=orders.groupby('product_id')['category'].transform(lambdax:x.mode()[0]ifnotx.mode().emptyelsenp.nan)orders['category']=orders['category'].fillna(category_mode)amount列（2%缺失）：用同品类、同用户等级的平均金额填充先合并用户等级信息orders=orders.merge(users[['user_id','member_level']],on='user_id',how='left')计算填充值amount_fill=orders.groupby(['category','member_level'])['amount'].transform('mean')orders['amount']=orders['amount'].fillna(amount_fill)orders.drop(columns=['member_level'],inplace=True)去除临时合并列时间逻辑检查orders['order_time']=pd.to_datetime(orders['order_time'])users['register_time']=pd.to_datetime(users['register_time'])merged=orders.merge(users[['user_id','register_time']],on='user_id',how='left')筛选下单时间早于注册时间的异常记录abnormal=merged[merged['order_time']<merged['register_time']]处理方式：删除异常记录（或联系业务确认是否为时间戳错误）orders=orders[~orders['order_id'].isin(abnormal['order_id'])]```2.用户RFM分层分析```python计算RFM指标（假设分析时间为2024-12-31）analysis_date=pd.to_datetime('2024-12-31')R：最近一次下单距今天数rfm=orders.groupby('user_id').agg(R=('order_time',lambdax:(analysis_date-x.max()).days),F=('order_id','nunique'),M=('amount','sum')).reset_index()计算各指标分位数（4分位）forcolin['R','F','M']:rfm[f'{col}_score']=pd.qcut(rfm[col],q=4,labels=[1,2,3,4],duplicates='drop')分层规则（示例）：高价值用户：R_score>=3&F_score>=3&M_score>=3潜力用户：R_score>=3&(F_score>=2|M_score>=2)新用户：R_score>=3&F_score=1流失用户：R_score<=2rfm['user_segment']=np.select([(rfm['R_score']>=3)&(rfm['F_score']>=3)&(rfm['M_score']>=3),(rfm[