《计算金融与Python实践》习题库 第八章 数据分析Pandas类库

第八章数据分析Pandas类库练习题一、选择题（每题只有一个正确答案）以下关于Pandas中Series和DataFrame的描述，正确的是（）。

A.Series是一维数据结构，DataFrame是二维数据结构

B.Series和DataFrame都是可变数据类型

C.DataFrame的每一列是一个独立的Series，且列索引可以重复

D.Series只有行索引，没有列索引答案：A以下哪个方法可以查看DataFrame的统计汇总信息（包括计数、均值、标准差等）？（）

A.

()

B.df.head()

C.df.describe()

D.df.shape答案：C在Pandas中，使用df.loc['index1':'index3']进行切片时，结果包含（）。

A.只包含index1

B.包含index1和index3，但不包含中间的行

C.包含index1到index3的所有行，区间左闭右闭

D.包含index1到index3的所有行，区间左闭右开答案：C

(标签索引切片包含两端)以下哪个函数用于处理缺失值，可以用指定的值填充缺失值？（）

A.df.dropna()

B.df.isnull()

C.df.fillna()

D.df.drop_duplicates()答案：C关于Pandas的groupby操作，以下说法正确的是（）。

A.groupby返回的是一个DataFrame对象

B.groupby返回的是一个GroupBy对象，需要配合聚合函数使用

C.groupby只能按照单列分组

D.groupby操作不能与agg方法配合使用答案：B以下代码的输出结果是（）。pythonimportpandasaspds=pd.Series([1,2,3,4],index=['a','b','c','d'])print(s.iloc[2])A.3

B.'c'

C.2

D.报错答案：A

(iloc使用位置索引，位置2对应第三个元素，值为3)以下哪个方法用于将多个DataFrame按行方向（垂直）合并？（）

A.pd.merge()

B.df.join()

C.pd.concat(axis=0)

D.pd.concat(axis=1)答案：C关于时间序列的重采样（resample），以下说法正确的是（）。

A.重采样只能从高频率降到低频率

B.重采样只能从低频率升到高频率

C.降采样时需要指定聚合函数

D.升采样时缺失值无法填充答案：C以下哪个方法用于删除DataFrame中包含缺失值的行？（）

A.df.fillna()

B.df.dropna()

C.df.isna()

D.df.drop_duplicates()答案：B关于Pandas的透视表函数pivot_table，以下说法正确的是（）。

A.pivot_table只能使用均值作为聚合函数

B.pivot_table不能处理重复的索引值

C.pivot_table可以指定行索引、列索引和聚合列

D.pivot_table返回的是DataFrame，不能设置缺失值填充答案：C二、判断题（正确打“√”，错误打“×”）Pandas的DataFrame可以看作是一个有序的字典，键是列索引，值是Series。（√）使用df.iloc[0:3]切片时，包含索引为0、1、2的行，不包含索引为3的行。（√）df.fillna(method='ffill')可以使用缺失值后面的值向前填充缺失值。（×）解析：method='ffill'或'pad'是向前填充（用前一个值填充），'bfill'或'backfill'是向后填充。groupby操作后使用agg()方法可以同时应用多个聚合函数。（√）pd.merge()只能按照行索引进行合并，不能按照列进行合并。（×）解析：pd.merge()可以指定on、left_on、right_on等参数按照列进行合并。DataFrame的apply()方法可以对每一行或每一列应用一个函数。（√）reset_index()方法会将原索引重置为默认的整数索引，并将原索引作为新的一列保留。（√）时间序列的resample方法进行升采样时，必须指定聚合函数。（×）解析：升采样时，通常需要填充缺失值，但不一定需要聚合函数（聚合函数用于降采样）。df.groupby('列名').transform()返回的结果与原始数据形状相同。（√）DataFrame的plot()方法可以绘制折线图、条形图、直方图等多种图形。（√）三、简答题简述Pandas中Series和DataFrame的区别与联系。参考答案：Series是一维带标签的数组，可以看作是一个有序的字典，每个数据对应一个行索引。DataFrame是二维带标签的数据结构，可以看作是由多个具有相同行索引的Series组成的表格，既有行索引也有列索引。DataFrame的每一列都是一个Series，因此DataFrame可以看作是一个值为Series的字典，键是列索引。Series和DataFrame都支持标签索引和位置索引。DataFrame中loc和iloc有什么区别？请举例说明。参考答案：loc是基于标签的索引，使用行标签和列标签进行选择；iloc是基于位置的整数索引，使用行号和列号进行选择。例如，df.loc['index1':'index3','col1':'col2']使用标签切片（包含两端），df.iloc[0:3,1:3]使用位置切片（左闭右开）。loc和iloc都支持单个标签、标签列表、切片和布尔数组索引。Pandas中如何处理缺失值？请列举常用的方法。参考答案：常用的缺失值处理方法包括：（1）检查缺失值：df.isnull()、df.isna()返回布尔数组，df.isnull().sum()统计每列缺失值个数；（2）删除缺失值：df.dropna()删除包含缺失值的行或列，可通过axis、how、thresh等参数控制；（3）填充缺失值：df.fillna(value)用指定值填充，可设置method参数进行向前或向后填充，也可用均值、中位数等统计量填充。groupby操作的基本流程是什么？agg()、transform()和apply()方法有什么区别？参考答案：groupby操作分为三个阶段：分组（split）、应用（apply）和合并（combine）。区别如下：（1）agg()：对每组应用聚合函数，返回聚合结果，每组输出一行；（2）transform()：对每组应用函数，返回与原始数据相同形状的结果，保留原索引；（3）apply()：最灵活，可以对每组应用任意函数，返回结果的形状由函数决定，可以返回标量、Series或DataFrame。简述pd.merge()和pd.concat()的区别。参考答案：pd.merge()用于基于一个或多个键（列）进行数据库风格的连接，类似于SQL的JOIN操作，可以指定连接方式（inner、left、right、outer），主要用于列对齐的连接。pd.concat()用于沿一个轴（行或列）进行简单的拼接，不依赖于键值匹配，主要用于按行堆叠或按列合并，当需要基于键值匹配的复杂连接时使用merge，当需要简单拼接时使用concat。时间序列分析中，resample方法的作用是什么？请举例说明。参考答案：resample方法用于时间序列的频率转换和重采样。降采样（从高频率到低频率）时，需要指定聚合函数，如df.resample('M').mean()计算月度均值。升采样（从低频率到高频率）时，需要处理缺失值，可使用fillna或method参数填充。resample常用于将日数据聚合为周、月、季度数据，或将低频数据插值为高频数据。DataFrame中apply()和applymap()方法有什么区别？参考答案：apply()方法作用于DataFrame的行或列，可以接受一个函数，该函数接收一维数组（Series）作为输入，返回标量或Series。常用于对整行或整列进行运算。applymap()方法作用于DataFrame的每个元素，接受一个函数，该函数接收单个值作为输入，返回单个值，常用于对每个元素进行转换操作。如何对DataFrame中的重复行进行处理？参考答案：可以使用df.duplicated()检查重复行，返回布尔数组，表示每一行是否是前面出现过的重复行。使用df.drop_duplicates()删除重复行，可以通过subset参数指定判断重复的列，通过keep参数控制保留哪一行（first、last或False表示全部删除）。这些操作常用于数据清洗阶段。简述Pandas中shift()方法的作用，并举例说明其应用场景。参考答案：shift()方法用于将数据沿指定轴移动指定的步数。移动后，空缺位置用NaN填充。在金融数据分析中，常用于计算收益率（如df['close'].shift(1)获取前一日收盘价，然后计算涨跌幅），或构建滞后特征用于时间序列预测。参数periods指定移动步数，axis指定移动轴（0为行，1为列），fill_value可指定填充值。Pandas的数据可视化功能有哪些优点？plot()方法的kind参数可以指定哪些图形类型？参考答案：Pandas集成了Matplotlib的绘图功能，可以