(2025年)python数据分析期末考试题及答案

(2025年)python数据分析期末考试题及答案一、单项选择题（每题2分，共20分）1.以下关于Pandas中`DataFrame`的操作，说法错误的是（）A.`df.rename(columns={'old':'new'})`会直接修改原DataFrame的列名B.`df.drop_duplicates(subset=['col1'])`会删除`col1`列中值重复的行（保留第一个）C.`df['col'].str.split('-',expand=True)`可以将字符串列按分隔符拆分为多列D.`df.sample(n=5,random_state=42)`会从DataFrame中随机抽取5行，结果可复现2.对某电商用户年龄数据（存在缺失值）进行处理时，若数据分布右偏（均值>中位数），更合理的缺失值填充方法是（）A.用均值填充B.用中位数填充C.用众数填充D.直接删除缺失行3.已知`importnumpyasnp`，执行`np.arange(1,10).reshape(3,3)`后，输出的数组中第2行第3列元素是（）A.5B.6C.8D.94.用Seaborn绘制分类变量的箱线图时，若要按`category`列分组显示`value`列的分布，应使用的函数是（）A.`sns.lineplot(x='category',y='value',data=df)`B.`sns.boxplot(x='category',y='value',data=df)`C.`sns.histplot(x='value',hue='category',data=df)`D.`sns.scatterplot(x='category',y='value',data=df)`5.对某数据集执行`df.describe()`后，输出结果中的`25%`分位数表示（）A.数据中25%的数值小于等于该值B.数据中25%的数值大于等于该值C.数据中50%的数值在该值与中位数之间D.数据中75%的数值大于该值6.以下关于`pandas.merge()`函数的描述，正确的是（）A.`how='inner'`表示保留两个DataFrame中所有匹配的行B.`on='key'`要求两个DataFrame必须有完全相同的列名`key`C.`left_on`和`right_on`不能同时使用D.默认合并方式为`how='outer'`7.若要计算两个变量的Pearson相关系数，需满足的前提条件是（）A.两个变量均为分类变量B.两个变量呈线性关系且服从正态分布C.其中一个变量为分类变量，另一个为连续变量D.数据中无缺失值且样本量小于308.执行以下代码后，输出结果是（）```pythonimportpandasaspds=pd.Series([1,2,3,4],index=['a','b','c','d'])s.iloc[1:3]```A.`a1``b2`（索引a和b）B.`b2``c3`（索引b和c）C.`c3``d4`（索引c和d）D.`b2``c3``d4`（索引b、c、d）9.处理时间序列数据时，若要将`'2023-12-3123:59:59'`格式的字符串转换为`datetime`类型，应使用的函数是（）A.`pd.to_datetime('2023-12-3123:59:59')`B.`pd.Timestamp('2023-12-3123:59:59')`C.`datetime.strptime('2023-12-3123:59:59','%Y-%m-%d%H:%M:%S')`D.以上均可10.对某样本数据进行Z-score标准化后，某一数据点的Z值为2.5，说明该数据点（）A.比均值低2.5个标准差B.比均值高2.5个标准差C.是异常值（需结合具体场景判断）D.标准化后的范围在[0,1]之间二、填空题（每题2分，共20分）1.在Pandas中，若要将DataFrame的行索引重置为从0开始的连续整数，需使用的方法是______。2.已知`arr=np.array([[1,2],[3,4],[5,6]])`，`arr[:,1]`的结果是______（用数组表示）。3.若要统计DataFrame中各列缺失值的数量，可使用的代码是______。4.绘制散点图时，若要通过颜色区分不同类别的数据，Seaborn中可通过______参数实现。5.对分组后的数据进行聚合时，若要同时计算均值和标准差，可使用`agg()`方法并传入______（示例格式）。6.在假设检验中，原假设`H0`为“总体均值等于50”，若实际总体均值为50，但检验结果拒绝了`H0`，则犯了______错误。7.若要将DataFrame按`'category'`列分组，并计算`'sales'`列的总和，代码为______。8.计算两个数组的点积（内积）时，NumPy中应使用______函数。9.时间序列数据中，`df['date'].dt.month`可以提取日期的______信息。10.若某特征的方差接近0，说明该特征的______极低，对模型预测几乎无贡献。三、编程题（每题15分，共45分）1.数据读取与基础处理现有一份电商用户行为数据`user_behavior.csv`，包含以下字段：`user_id`：用户ID（整数）`item_id`：商品ID（整数）`behavior_type`：行为类型（1-点击，2-收藏，3-加购，4-购买）`timestamp`：行为时间戳（Unix时间戳，单位秒）`age`：用户年龄（部分缺失）要求：（1）读取该CSV文件，指定`user_id`和`item_id`为整数类型（默认可能被误读为浮点数）；（2）将`timestamp`列转换为`datetime`类型，并提取月份（`month`）和小时（`hour`）作为新列；（3）统计各行为类型（`behavior_type`）的出现次数，按次数降序排列；（4）对`age`列的缺失值进行处理：若缺失比例小于10%，则用中位数填充；否则删除缺失行（需先计算缺失比例）。2.分组分析与可视化基于上一题处理后的DataFrame（记为`df`），完成以下任务：（1）按`month`和`behavior_type`分组，计算每组的用户数（去重的`user_id`）；（2）筛选出`behavior_type=4`（购买行为）的数据，按`hour`分组统计购买次数，绘制柱状图（横轴为小时，纵轴为次数，标题为“各小时购买次数分布”）；（3）计算不同年龄区间（0-18岁，19-30岁，31-50岁，51岁以上）的用户在购买行为（`behavior_type=4`）中的占比，结果保留2位小数。3.相关分析与假设检验某新能源汽车公司收集了2023年各月份的销售数据`car_sales.csv`，字段包括：`month`：月份（1-12）`sales`：销量（辆）`advertising`：广告投入（万元）`avg_temp`：当月平均气温（℃）要求：（1）计算`sales`与`advertising`、`sales`与`avg_temp`的Pearson相关系数，输出相关系数矩阵；（2）检验`advertising`与`sales`是否存在显著线性相关关系（α=0.05），需写出原假设、备择假设及检验结论（已知数据满足正态性假设）；（3）绘制`advertising`与`sales`的散点图，并添加趋势线。四、综合应用题（15分）背景：某在线教育平台记录了2023年用户的学习行为数据`study_data.csv`，字段如下：`user_id`：用户ID`study_duration`：单次学习时长（分钟，连续变量）`video_views`：视频观看次数（整数）`quiz_score`：测验得分（0-100分）`is_pay`：是否为付费用户（0=免费，1=付费）任务：（1）数据清洗：检查并处理异常值（`study_duration`超过300分钟或小于0的视为异常）；（2）特征工程：创建新特征`study_efficiency`（学习效率）=`quiz_score`/`study_duration`（若`study_duration=0`则置为0）；（3）对比分析：比较付费用户与免费用户的学习效率（`study_efficiency`）、视频观看次数（`video_views`）的差异，要求输出均值、标准差，并绘制箱线图；（4）结论推断：根据分析结果，推测付费用户与免费用户的学习行为差异可能的原因（需结合业务场景）。答案一、单项选择题1.A（`rename`默认不修改原DataFrame，需设置`inplace=True`或重新赋值）2.B（右偏分布时中位数更稳健）3.B（数组为[[1,2,3],[4,5,6],[7,8,9]]，第2行第3列即索引[1,2]为6）4.B（箱线图函数为`boxplot`）5.A（分位数定义）6.A（`inner`取交集）7.B（Pearson相关要求线性关系和正态性）8.B（`iloc`按位置索引，1:3取索引1和2，对应值2和3）9.D（三种方法均可转换）10.B（Z值=（x-μ）/σ，2.5表示高于均值2.5个标准差）二、填空题1.`df.reset_index(drop=True)`2.`array([2,4,6])`3.`df.isnull().sum()`4.`hue`5.`['mean','std']`（或字典形式`{'col':'mean','col':'std'}`）6.第一类（或α）7.`df.groupby('category')['sales'].sum()`8.`np.dot()`（或`@`运算符）9.月份10.离散程度（或方差、变异程度）三、编程题1.数据读取与基础处理```pythonimportpandasaspd（1）读取数据并指定类型df=pd.read_csv('user_behavior.csv',dtype={'user_id':int,'item_id':int})（2）转换时间戳并提取月份、小时df['timestamp']=pd.to_datetime(df['timestamp'],unit='s')df['month']=df['timestamp'].dt.monthdf['hour']=df['timestamp'].dt.hour（3）统计行为类型次数behavior_count=df['behavior_type'].value_counts().sort_values(ascending=False)print("行为类型次数统计：\n",behavior_count)（4）处理age缺失值missing_rate=df['age'].isnull().mean()ifmissing_rate<0.1:df['age']=df['age'].fillna(df['age'].median())else:df=df.dropna(subset=['age'])```2.分组分析与可视化```pythonimportmatplotlib.pyplotasplt（1）分组计算去重用户数grouped=df.groupby(['month','behavior_type'])['user_id'].nunique().reset_index()grouped.columns=['month','behavior_type','user_count']（2）绘制各小时购买次数柱状图purchase_data=df[df['behavior_type']==4]hour_purchase=purchase_data['hour'].value_counts().sort_index()plt.bar(hour_purchase.index,hour_purchase.values)plt.xlabel('小时')plt.ylabel('购买次数')plt.title('各小时购买次数分布')plt.xticks(range(24))plt.show()（3）计算年龄区间购买占比bins=[0,18,30,50,100]labels=['0-18岁','19-30岁','31-50岁','51岁以上']df['age_group']=pd.cut(df['age'],bins=bins,labels=labels,right=True)purchase_group=df[df['behavior_type']==4]['age_group'].value_counts(normalize=True).round(4)100print("各年龄区间购买占比：\n",purchase_group)```3.相关分析与假设检验```pythonimportnumpyasnpfromscipyimportstatsimportseabornassns（1）计算相关系数矩阵df=pd.read_csv('car_sales.csv')corr_matrix=df[['sales','advertising','avg_temp']].corr()print("相关系数矩阵：\n",corr_matrix)（2）假设检验H0：ρ=0（广告投入与销量无显著线性相关）H1：ρ≠0（存在显著线性相关）r,p_value=stats.pearsonr(df['advertising'],df['sales'])ifp_value<0.05:print(f"检验结论：拒绝原假设，广告投入与销量存在显著线性相关（r={r:.2f},p={p_value:.4f}）")else:print("检验结论：不拒绝原假设")（3）绘制散点图与趋势线sns.regplot(x='advertising',y='sales',data=df)plt.title('广告投入与销量的关系')plt.show()```四、综合应用题```pythonimportpandasaspdimportmatplotlib.pyplotaspltimportseabornassns（1）数据清洗：处理study_duration异常值df=pd.read_csv('study_data.csv')df=df[(df['study_duratio