工业AI2025年编程能力冲刺试卷

工业AI2025年编程能力冲刺试卷考试时间：______分钟总分：______分姓名：______一、1.在Python中，用于定义类别的内置数据类型是？2.下列哪个不是常用的Python科学计算库？3.读取CSV文件常用的Python库是？4.在NumPy中，表示向量的维度标签是？5.如果一个列表`data=[10,20,30,40,50]`，执行`data[1:4]`的结果是？6.在Pandas中，用于创建数据框（DataFrame）的函数是？7.如何检查PandasSeries中缺失值（NaN）的数量？8.在Scikit-learn中，用于划分数据集为训练集和测试集的函数是？9.逻辑运算符`and`、`or`、`not`在Python中的优先级从高到低排列顺序是？10.Python中用于打开文件进行读取操作的内置函数是？二、11.阅读以下Python代码，写出其执行后的输出结果。```pythonmy_list=[1,2,3,4,5]foriinrange(len(my_list)):my_list[i]=my_list[i]*2print(my_list)```12.阅读以下Python代码，写出其执行后的输出结果。```pythondeffactorial(n):ifn==0:return1else:returnn*factorial(n-1)print(factorial(3))```13.阅读以下Python代码，写出其执行后的输出结果。```pythonimportnumpyasnparr=np.array([1,2,3,4,5])print(arr.mean())```14.阅读以下Python代码，写出其执行后的输出结果。```pythonimportpandasaspddata={'Name':['Alice','Bob','Charlie'],'Age':[25,30,35]}df=pd.DataFrame(data)print(df.iloc[1])```15.阅读以下Python代码，写出其执行后的输出结果。```pythondefgreet(name="Guest"):print("Hello,",name)greet("Alice")greet()```三、16.编写Python代码，创建一个包含10个随机整数的列表，这些整数的范围在1到100之间（包括1和100）。然后使用列表推导式，将列表中所有大于50的整数乘以2，并输出最终列表。17.假设有一个PandasSeries对象`s`，包含如下数据：`[10,20,None,30,40,None,50]`。请编写Python代码，将Series中所有的`None`值替换为数字0，并输出处理后的Series。18.编写Python代码，使用NumPy创建一个3x3的二维数组（矩阵），其元素为从0到8的整数，并按列优先（Fortran顺序）排列。然后，计算该矩阵的所有元素的平均值，并将结果保留两位小数输出。19.使用Scikit-learn，编写Python代码实现以下功能：从一个假设的100x2的数据集`X`（这里用代码生成模拟数据）中，提取前20个样本作为训练数据，后80个样本作为测试数据。假设对应的标签为`y`（也用代码生成模拟数据），同样前20个为训练标签，后80个为测试标签。使用`train_test_split`函数完成划分，并打印出训练集和测试集的样本数量。20.编写Python代码，定义一个函数`calculate_stats`，该函数接收一个列表作为输入参数。函数需要计算该列表的元素个数（长度）、最大值、最小值以及平均值。最后，函数返回一个包含这四个统计结果的元组（顺序为：长度,最大值,最小值,平均值）。例如，调用`calculate_stats([1,2,3,4,5])`应该返回`(5,5,1,3.0)`。四、21.假设你要编写一个Python脚本来监控一个工业设备的温度。该设备每分钟通过串口发送一次温度数据（假设数据为浮点数，例如`23.5`），数据之间用逗号分隔。请编写代码，模拟接收包含3个温度值的字符串数据（例如`"23.5,24.1,23.8"`），将这些字符串分割并转换成浮点数列表，然后计算这些温度值的平均值，并将结果打印出来。最后，请添加必要的注释说明代码的功能。22.编写Python代码，使用Pandas读取一个名为`employee.csv`的文件（假设该文件存在，包含列`Name,Age,Department`）。然后，筛选出所有部门为"Engineering"的员工记录，并将这些记录按照年龄（Age）从大到小排序。最后，输出排序后的结果。23.使用NumPy和Pandas，编写代码完成以下任务：创建一个形状为(5,5)的随机整数数组，值范围在1到100之间。将这个数组的对角线元素（即索引为(0,0),(1,1),(2,2),(3,3),(4,4)的元素）设置为0。然后，将这个修改后的数组转换成一个PandasDataFrame，列名为"A","B","C","D","E"。24.编写Python代码，使用Scikit-learn中的`LogisticRegression`模型。首先，使用代码生成一个简单的线性可分的数据集（例如使用`make_classification`），包含100个样本，2个特征。然后，使用生成的数据集，创建模型实例，并使用`fit`方法训练模型。最后，打印出训练完成后模型的系数（coefficients）和截距（intercept）。25.编写一个Python函数`process_sensor_data`，该函数模拟处理来自工业传感器的数据。函数接收一个包含传感器读数的列表（可能包含整数和浮点数，也可能包含`None`表示读数无效）。函数需要执行以下操作：a.移除列表中的所有`None`值。b.将列表中所有小于0的读数视为无效，并用`None`替换。c.计算剩余有效读数的总和。d.如果有效读数数量大于等于2，计算有效读数的平均值；否则，返回`None`表示无法计算平均值。函数最终返回一个包含两个元素的元组：第一个元素是处理后的读数列表（去除了`None`和负值），第二个元素是读数总和或平均值（根据情况）。试卷答案一、1.`enum`2.`Tkinter`(或其他非科学计算库，如GUI库)3.`pandas`4.`axis`5.`[20,30,40]`6.`pd.DataFrame`7.`s.isnull().sum()`或`s.isna().sum()`8.`train_test_split`9.`not`,`and`,`or`10.`open`二、11.`[2,4,6,8,10]`*解析：`range(len(my_list))`生成索引序列`[0,1,2,3,4]`。循环遍历索引，将`my_list[i]`的值更新为其自身乘以2。最终列表变为`[1*2,2*2,3*2,4*2,5*2]`。12.`6`*解析：定义递归函数`factorial`。`factorial(3)`计算`3*factorial(2)`，`factorial(2)`计算`2*factorial(1)`，`factorial(1)`计算`1*factorial(0)`。`factorial(0)`返回`1`。所以`factorial(1)=1*1=1`，`factorial(2)=2*1=2`，`factorial(3)=3*2=6`。13.`3.0`*解析：创建一个NumPy数组`arr`。`arr.mean()`计算数组所有元素的平均值`(1+2+3+4+5)/5=15/5=3.0`。14.`Age35\nNameCharlie\ndtype:object`*解析：创建一个PandasDataFrame`df`。`df.iloc[1]`选取第1行（索引为1，因为索引从0开始），输出该行的数据，按列顺序显示。15.`Hello,AliceHello,Guest`*解析：定义函数`greet`，带有一个默认参数`name="Guest"`。`greet("Alice")`调用时传入实参"Alice"，输出"Hello,Alice"。`greet()`调用时不传入参数，使用默认值"Guest"，输出"Hello,Guest"。三、16.```pythonimportrandomdata=[random.randint(1,100)for_inrange(10)]result=[x*2ifx>50elsexforxindata]print(result)```*解析：首先导入`random`模块。使用列表推导式生成包含10个随机整数的列表`data`，整数范围1到100。然后，使用嵌套的列表推导式生成新列表`result`，遍历`data`中的每个元素`x`，如果`x>50`，则将其乘以2加入`result`；否则，将`x`本身加入`result`。最后打印`result`。17.```pythonimportpandasaspds=pd.Series([10,20,None,30,40,None,50])s_filled=s.fillna(0)print(s_filled)```*解析：导入`pandas`。创建一个包含`None`的PandasSeries`s`。使用`fillna(0)`方法将Series中所有的`None`值替换为0，结果存储在`s_filled`中。最后打印`s_filled`。18.```pythonimportnumpyasnparr=np.arange(0,9).reshape(3,3)#[012;345;678]arr_col_major=arr.copy(order='F')#CopyarraywithFortranorderarr_col_major.flat[::4]=0#Setdiagonalelements(0,0),(1,1),(2,2)to0mean_value=arr_col_major.mean()print(arr_col_major)print(f"{mean_value:.2f}")```*解析：导入`numpy`。使用`arange(0,9)`生成一个0到8的数组，然后用`reshape(3,3)`将其变为3x3矩阵。创建该矩阵的副本`arr_col_major`并指定`order='F'`（Fortran顺序，即按列优先存储）。按列优先顺序，对角线元素索引为`flat[0],flat[4],flat[8]`。使用切片`::4`遍历对角线索引，将其值设置为0。使用`mean()`计算修改后矩阵的平均值，`mean_value`保留两位小数。打印矩阵和平均值。19.```pythonfromsklearn.model_selectionimporttrain_test_splitimportnumpyasnp#假设需要生成模拟数据#假设模拟数据X=np.random.rand(100,2)y=np.random.randint(0,2,100)#划分数据集X_train,X_test,y_train,y_test=train_test_split(X,y,train_size=20,test_size=80)print(f"Trainsamples:{X_train.shape[0]}")print(f"Testsamples:{X_test.shape[0]}")```*解析：导入`train_test_split`函数和`numpy`。生成模拟特征数据`X`(100x2)和模拟标签数据`y`(100个0或1)。调用`train_test_split`函数，指定`X`,`y`，`train_size=20`表示取前20个样本作训练集，`test_size=80`表示取后80个样本作测试集。函数返回四个值，分别赋给`X_train`,`X_test`,`y_train`,`y_test`。打印训练集和测试集的样本数量。20.```pythondefcalculate_stats(lst):n=len(lst)ifn==0:max_val=Nonemin_val=Nonemean_val=Noneelse:max_val=max(lst)min_val=min(lst)mean_val=sum(lst)/nreturn(n,max_val,min_val,mean_val)#示例调用result=calculate_stats([1,2,3,4,5])print(result)#输出:(5,5,1,3.0)```*解析：定义函数`calculate_stats`接收列表`lst`。计算列表长度`n`。判断列表是否为空，如果为空，则所有统计值设为`None`。如果不为空，使用`max()`,`min()`,和`sum()/len()`分别计算最大值、最小值和平均值`mean_val`。函数返回一个元组，包含长度、最大值、最小值、平均值。示例调用展示了函数的使用和预期输出。四、21.```python#假设接收到的串口数据字符串data_str="23.5,24.1,23.8"#分割字符串，转换成浮点数列表temperatures=[float(value)forvalueindata_str.split(',')]#计算平均值average_temp=sum(temperatures)/len(temperatures)#打印结果print(f"Receivedtemperatures:{temperatures}")print(f"Averagetemperature:{average_temp}")#注释：此代码模拟接收串口温度数据，分割、转换、计算平均值并打印。```*解析：假设`data_str`包含从串口接收到的温度数据。使用`split(',')`方法按逗号分割字符串，得到温度值的字符串列表。使用列表推导式和`float()`函数将字符串列表转换为浮点数列表`temperatures`。使用`sum(temperatures)`计算总和，用`len(temperatures)`获取数量，相除得到平均值`average_temp`。最后打印接收到的温度列表和计算出的平均值。代码注释说明了功能。22.```pythonimportpandasaspd#假设employee.csv文件存在并如下内容：#Name,Age,Department#Alice,30,HR#Bob,35,Engineering#Charlie,40,Engineering#David,25,Salesdf=pd.read_csv('employee.csv')filtered_df=df[df['Department']=='Engineering'].sort_values(by='Age',ascending=False)print(filtered_df)```*解析：导入`pandas`。使用`pd.read_csv('employee.csv')`读取CSV文件到DataFrame`df`。使用布尔索引`df['Department']=='Engineering'`筛选出部门为"Engineering"的员工记录，结果是一个DataFrame。使用`sort_values(by='Age',ascending=False)`对筛选出的DataFrame按"Age"列进行降序排序。结果存储在`filtered_df`中。最后打印排序后的DataFrame。23.```pythonimportnumpyasnpimportpandasaspd#创建5x5随机整数数组，范围1-100arr=np.random.randint(1,101,size=(5,5))#按列优先顺序设置对角线元素为0arr.ravel(order='F')[np.arange(5)]=0#转换为PandasDataFramedf=pd.DataFrame(arr,columns=["A","B","C","D","E"])print(df)```*解析：导入`numpy`和`pandas`。使用`np.random.randint(1,101,size=(5,5))`创建一个5x5的数组，元素为1到100之间的随机整数。使用`ravel(order='F')`将数组按列优先顺序展平成一维数组。使用`np.arange(5)`生成索引数组`[0,1,2,3,4]`，用于指定要修改的对角线元素位置，将其值设为0。最后，使用`pd.DataFrame(arr,columns=["A","B","C","D","E"])`将修改后的NumPy数组转换为PandasDataFrame，并指定列名为"A"到"E"。打印DataFrame。24.```pythonfromsklearn.datasetsimportmake_classificationfromsklearn.linear_modelimportLogisticRegression#生成线性可分的数据集X,y=make_classification(n_samples=100,n_features=2,n_informative=2,n_redundant=0,n_clusters_per_class=1,random_state=42)#创建LogisticRegression模型实例model=LogisticRegression()#训练模型model.fit(X,y)#打印系数和截距print("Coefficients:",model.coef_)print("Intercept:",ercept_)```*解析：导入`make_classification`用于生成数据，导入`LogisticRegression`用于创建模型。调用`make_classification`生成包含100个样本、2个特征、2个信息特征、无冗余特征、每个类只有一个簇的线性可分数据集`X`(特征)和`y`(标签)。创建`LogisticRegression`模型实例`model`。调用`model.fit(X,y)`使用生成的数据训练模型。训练完成后，模型实例的`coef_`属性存储系数，`intercept_`属性存储截距。打印这两个属性。25.```pythondefprocess_sensor_data(readings):#a.移除None值readings_cleaned=[rforrinreadingsifrisnotNone]#b.移除负值，用None替换rea