Python商务数据分析与应用试卷及答案 卷 2

Python商务数据分析与应用试卷二考试形式：闭卷考试时间：90分钟题号一二三四五总分分数一、单项选择用于将分类变量转换为数值哑变量的pandas方法是（）

A.get_dummies()B.cut()C.qcut()D.factorize()衡量直播实时成交效率的核心指标是（）A.UVB.客单价C.成交转化率D.跳失率下列代码中，能正确把字符串日期转为datetime的是（）

A.pd.to_numeric()B.pd.to_datetime()C.pd.to_timedelta()D.pd.to_string()在RF模型中，若R得分高、F得分低，用户属于（）

A.新客B.忠诚客C.流失预警D.高价值客下列可视化图形最适合呈现“占比”的是（）

A.雷达图B.饼图C.箱线图D.热力图NumPy中实现元素级相乘的运算符是（）

A.*B.@C.dot()D.multiply()社交平台上“种草”行为对应用户决策路径的（）

A.需求确认B.信息搜索C.方案评估D.购买后分享对异常值最不敏感的集中趋势度量是（）

A.均值B.中位数C.众数D.标准差下列关于Python集合的描述正确的是（）

A.有序B.元素可重复C.支持差集运算D.可用索引访问在Sklearn中逻辑回归默认的求解器是（）

A.liblinearB.sagaC.lbfgsD.newton-cg二、多项选择能够直接统计DataFrame每列缺失值的函数有（）

A.isnull()B.isna()C.dropna()D.sum()E.info()下列属于“内容型”短视频商业合作模式的有（）

A.达人种草B.信息流广告C.直播带货D.品牌挑战赛E.二次创作分发关于thon函数参数，说法正确的有（）

A.支持默认值B.支持可变长参数C.支持关键字参数D.参数顺序必须固定E.可用类型注解电商平台大促期间常用的“价格型”指标有（）

A.折扣率B.件单价C.优惠券面额D.毛利率E.ROI下列代码能正确实现DataFrame按列归一化的有（）

A.(df-df.min())/(df.max()-df.min())

B.df.apply(lambdax:(x-x.mean())/x.std())

C.df//df.max()

D.sklearn.preprocessing.MinMaxScaler().fit_transform(df)

E.df.scale()三、判断题plt.legend()必须在plt.plot()之前调用才能显示图例。（）用户最近一次下单距今天数越少，RFM中R得分越高。（）在Python中，列表推导式比for循环速度更慢。（）短视频完播率越高，平台推荐权重通常越大。（）使用seaborn.heatmap()时，相关系数矩阵必须先调用corr()计算。（）四、简答题简述使用pandas完成“缺失值占比统计+可视化”的两步核心代码。说明“订单转化率”与“支付转化率”在统计口径上的差异。写出NumPy中创建3×3单位矩阵的代码，并给出两种不同写法。五、论述题结合教材案例，阐述利用Python对短视频评论进行情感分析的完整流程（数据获取→预处理→模型→可视化→业务应用）。结合教材案例，论述如何利用Python构建完的电商用户画像在精准营销中的应用。Python商务数据分析与应用试卷二答案一、单项选择答案：A答案：C答案：B答案：A答案：B答案：D答案：B答案：B答案：C答案：C二、多项选择答案：ABD答案：ADE答案：ABCE答案：ABCD答案：ABD三、判断题（×）（√）（×）（√）（√）四、简答题简述使用pandas完成“缺失值占比统计+可视化”的两步核心代码。

参考答案

missing=df.isnull().sum()/len(df)

missing.plot(kind='bar')说明“订单转化率”与“支付转化率”在统计口径上的差异。

参考答案

订单转化率=下单访客/总访客；支付转化率=完成付款的订单/总订单。前者衡量购买意愿，后者衡量支付成功。写出NumPy中创建3×3单位矩阵的代码，并给出两种不同写法。

参考答案

np.eye(3)或np.identity(3)五、论述题结合教材案例，阐述利用Python对短视频评论进行情感分析的完整流程（数据获取→预处理→模型→可视化→业务应用）。

评分要点数据获取：利用抖音/快手开放平台API或Scrapy爬取目标短视频下方的全部评论，获取字段包括comment_id、user_id、评论正文、点赞数、时间戳，并保存为CSV或直接进入DataFrame。数据预处理：①去重与缺失值清洗。②正则过滤：去除表情符号、特殊字符、URL，只保留中英文和数字。③分词与停用词。④标注样本（可选）：随机抽取2000条评论人工标注正向/中性/负向，用于后续模型训练或验证。情感模型：①快速方案：采用SnowNLP内置情感字典，直接输出0-1概率，按阈值划分三分类。②精度提升方案：用标注样本对BERT-base-chinese进行三分类微调，2-3轮即可达到90%左右准确率；将训练好的模型导出，批量预测全部评论。③结果输出：为每条评论赋予情感标签（正/中/负）及置信度，并计算评论级情感得分。可视化：①情感分布饼图：展示正向、中性、负面评论占比。②情感-点赞散点图：观察高赞评论的情感倾向，定位潜在高影响力负面评价。③时间序列情感曲线：按日计算平均情感得分，监测口碑波动。④词云与高频词柱状图：正向词云用于广告素材，负面高频词用于产品改进清单。业务应用：①负面预警：设定“负向+高赞”阈值，自动推送客服系统，30分钟内回复，降低退货与口碑风险。②内容迭代：将正向高频词写入下期短视频标题与脚本，提高用户共鸣与转化率。③广告创意：截取高得分正向评论截图作为广告素材，CTR提升20%以上。④复盘报告：按5W模式输出“谁在对什么内容通过哪个渠道表达了何种效果”，为下一轮短视频选题、投放预算与产品优化提供数据依据。结合教材案例，论述如何利用Python构建电商用户画