2025年工业AI编程能力评估题

2025年工业AI编程能力评估题考试时间：______分钟总分：______分姓名：______一、请编写Python代码，使用Pandas库读取名为`sensor_data.csv`的文件（假设该文件存在且包含时间戳、温度、湿度两列）。代码需完成以下任务：1.将时间戳列转换为Pandas的DateTime类型，并将其设置为索引。2.删除包含任何缺失值的行。3.计算每小时的平均温度和平均湿度，并将结果存储在一个新的DataFrame`hourly_stats`中。`hourly_stats`应包含小时（格式为`YYYY-MM-DDHH:00:00`）、平均温度和平均湿度三列。4.将`hourly_stats`DataFrame输出到名为`hourly_weather_stats.csv`的文件中，不包含行索引。二、假设你已经使用Scikit-learn训练了一个用于预测工业设备故障的随机森林分类器`rf_classifier`，其特征名称存储在`feature_names`列表中。请编写Python代码完成以下操作：1.加载一个名为`new_sensor_data.csv`的新数据文件（假设格式与训练数据相同，但无标签），并使用Pandas库将其读入一个DataFrame`X_new`。2.对`X_new`进行与训练数据相同的预处理：标准化（使用训练数据拟合的`StandardScaler`对象`scaler`进行转换）。假设`scaler`对象已经定义并可用。3.使用训练好的`rf_classifier`对`X_new`进行预测，得到预测结果存储在`predictions`变量中。4.假设特征名称中包含`'temperature'`和`'vibration'`，请从`X_new`中选择这两列特征，并打印出这些特征的最新5行数据。三、你正在开发一个用于工业零件缺陷图像分类的模型。假设你使用TensorFlow/Keras构建了一个简单的CNN模型结构如下：```pythonmodel=tf.keras.Sequential([tf.keras.layers.Conv2D(32,(3,3),activation='relu',input_shape=(128,128,3)),tf.keras.layers.MaxPooling2D((2,2)),tf.keras.layers.Conv2D(64,(3,3),activation='relu'),tf.keras.layers.MaxPooling2D((2,2)),tf.keras.layers.Conv2D(64,(3,3),activation='relu'),tf.keras.layers.Flatten(),tf.keras.layers.Dense(64,activation='relu'),tf.keras.layers.Dense(10,activation='softmax')#假设有10个类别])```请补全以下Python代码，完成模型的编译和准备训练：1.使用`adam`优化器。2.使用`categorical_crossentropy`作为损失函数。3.添加`accuracy`作为评估指标。4.假设你已经有了一个训练数据集`X_train`,`y_train`和一个验证数据集`X_val`,`y_val`，请使用`model.fit()`方法开始训练模型，设置训练轮数`epochs=10`，批量大小`batch_size=32`，并使用验证数据。注意：此处不需要实际运行`fit`方法，只需编写代码。四、在完成一个工业流程异常检测任务后，你得到了模型在测试集上的预测结果`y_pred`和真实标签`y_true`。请编写Python代码计算以下评估指标：1.计算精确率（Precision）。2.计算召回率（Recall）。3.计算F1分数（F1-Score）。假设你使用了Scikit-learn库，并且`y_pred`和`y_true`是相应的NumPy数组。五、你需要将训练好的工业AI模型部署为一个简单的Web服务，以便其他系统可以调用。请使用Flask框架编写Python代码完成以下功能：1.导入必要的Flask模块。2.创建一个Flask应用实例`app`。3.定义一个路由`/predict`，该路由接受GET请求，参数名为`temp`（温度）和`vib`（振动），并假设它们都是数值类型。该路由应使用一个预先定义好的模型`pretrained_model`（假设是一个Scikit-learn模型）对传入的温度和振动值进行预测，并将预测结果（如故障概率或类别）作为JSON响应返回。4.添加必要的Flask应用运行代码，使其在开发模式下启动，监听所有接口。六、假设你需要将一个工业AI模型部署到边缘设备上，对实时传感器数据进行处理。请简述在部署前，针对模型进行优化的主要步骤有哪些？要求至少列出并简要说明四点。试卷答案一、```pythonimportpandasaspd#1.读取文件，转换时间戳并设置为索引df=pd.read_csv('sensor_data.csv')df['timestamp']=pd.to_datetime(df['timestamp'])df.set_index('timestamp',inplace=True)#2.删除含缺失值的行df.dropna(inplace=True)#3.计算每小时平均温度和湿度hourly_stats=df.resample('H').mean()[['temperature','humidity']]#4.输出到CSV文件hourly_stats.to_csv('hourly_weather_stats.csv')```解析：首先使用Pandas的`read_csv`读取数据。将时间戳列转换为`datetime`类型，这是进行时间序列分析的基础，并使用`set_index`设为索引以便后续按时间聚合。`dropna`用于删除任何包含缺失值的行，保证数据完整性。`resample('H')`将数据按小时进行重采样，`.mean()`计算每个小时的平均值，从而得到所需的每小时统计数据。最后，使用`to_csv`将结果DataFrame输出为CSV文件，`index=False`参数确保不将行索引一同写入文件。二、```pythonimportpandasaspd#1.加载新数据X_new=pd.read_csv('new_sensor_data.csv')#2.使用预拟合的scaler转换新数据X_new_scaled=scaler.transform(X_new[feature_names])#3.使用模型预测predictions=rf_classifier.predict(X_new_scaled)#4.选择并打印特定特征selected_features=X_new[['temperature','vibration']]print(selected_features.tail(5))```解析：首先使用`read_csv`读取新的传感器数据到`DataFrame``X_new`。由于新数据需要使用与训练数据相同的预处理（这里是标准化），所以必须使用之前训练好的`StandardScaler`对象`scaler`对其进行`transform`操作。`feature_names`列表包含了用于训练的特征名称，确保从新数据中选择正确的特征进行转换。`rf_classifier.predict()`用于对新数据进行预测，结果存储在`predictions`中。最后，从原始`X_new`DataFrame中选择`'temperature'`和`'vibration'`这两列，并使用`tail(5)`打印最后5行数据，满足题目要求。三、```pythonimporttensorflowastf#假设模型结构已经定义如注释所示#model=tf.keras.Sequential([#tf.keras.layers.Conv2D(32,(3,3),activation='relu',input_shape=(128,128,3)),#tf.keras.layers.MaxPooling2D((2,2)),#tf.keras.layers.Conv2D(64,(3,3),activation='relu'),#tf.keras.layers.MaxPooling2D((2,2)),#tf.keras.layers.Conv2D(64,(3,3),activation='relu'),#tf.keras.layers.Flatten(),#tf.keras.layers.Dense(64,activation='relu'),#tf.keras.layers.Dense(10,activation='softmax')#])#1.编译模型pile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])#2.准备训练（假设数据已准备好）#model.fit(X_train,y_train,epochs=10,batch_size=32,validation_data=(X_val,y_val))```解析：模型结构已在注释中给出。`pile()`是Keras模型训练前的必要步骤。`optimizer='adam'`指定使用Adam优化算法，它是一种常用的自适应学习率优化器。`loss='categorical_crossentropy'`指定多分类问题的损失函数，适用于模型的最后一个层是`softmax`的情况。`metrics=['accuracy']`指定在训练和评估过程中要监控的指标，这里是分类准确率。`model.fit()`方法用于执行模型训练，参数`epochs`设定训练轮数，`batch_size`设定每个批次的样本数，`validation_data`用于在每轮训练后评估模型在验证集上的性能。注意，这里仅编写了编译和`fit`方法的框架，实际运行需要提供具体的数据集。四、```pythonfromsklearn.metricsimportprecision_score,recall_score,f1_score#假设y_pred和y_true是NumPy数组或PandasSeries#1.计算精确率precision=precision_score(y_true,y_pred,average='binary')#'binary'或'macro'等根据实际情况#2.计算召回率recall=recall_score(y_true,y_pred,average='binary')#3.计算F1分数f1=f1_score(y_true,y_pred,average='binary')```解析：首先导入Scikit-learn中计算评估指标的函数。`precision_score`函数计算精确率，它表示被模型预测为正类的样本中，实际为正类的比例。`recall_score`函数计算召回率，它表示实际为正类的样本中，被模型正确预测为正类的比例。`f1_score`函数计算F1分数，它是精确率和召回率的调和平均数，综合考虑了这两个指标，是二分类问题中常用的综合评价指标。参数`average='binary'`表示针对二分类问题进行计算，如果问题是多分类，则需要选择合适的平均方法（如`'macro'`,`'micro'`等）。需要确保`y_pred`和`y_true`是相同格式且类型匹配的预测结果和真实标签。五、```pythonfromflaskimportFlask,request,jsonify#1.导入Flask相关模块#app=Flask(__name__)#创建实例已在函数外定义#2.定义路由/predict@app.route('/predict',methods=['GET'])defpredict():try:#3.获取参数并转换temp=float(request.args.get('temp'))vib=float(request.args.get('vib'))#进行预测（假设模型已加载到全局变量pretrained_model）prediction=pretrained_model.predict([[temp,vib]])[0]#4.返回JSON响应returnjsonify({'prediction':prediction.tolist()})#假设是数组输出exceptExceptionase:returnjsonify({'error':str(e)})#4.启动Flask应用#if__name__=='__main__':#app.run(debug=True)```解析：首先导入Flask框架的相关模块。创建一个Flask应用实例`app`。使用`@app.route('/predict',methods=['GET'])`装饰器定义一个名为`/predict`的路由，该路由只接受GET请求。在`predict`函数中，使用`request.args.get('param_name')`从URL查询参数中获取`'temp'`和`'vib'`的值，并尝试将其转换为浮点数。然后，假设有一个预定义的模型`pr