《计算金融与Python实践》习题及答案 第7、8章 数据分析Numpy类库、数据分析Pandas类库

第七章数据分析Numpy类库练习题一、选择题（每题只有一个正确答案）以下关于NumPy多维数组（ndarray）的描述，正确的是（）。

A.ndarray中的数据类型可以不一致

B.ndarray的数据存储在连续的内存空间中

C.ndarray的每个成员可以是任意Python对象

D.ndarray的维度（ndim）属性返回的是数组中元素的总个数答案：B以下哪个函数可以生成一个形状为(3,4)的随机数组，元素服从标准正态分布？（）

A.np.random.rand(3,4)

B.np.random.randn(3,4)

C.np.random.randint(0,10,size=(3,4))

D.np.random.uniform(0,1,(3,4))答案：B对于形状为(2,3,4)的三维数组，其shape属性返回的结果是（）。

A.2

B.(2,3,4)

C.24

D.(2,3,4,1)答案：B以下代码的运行结果是（）。pythonimportnumpyasnpa=np.array([1,2,3,4])b=a.reshape(2,2)b[0,0]=99print(a)A.[1234]

B.[99234]

C.[[992][34]]

D.报错答案：B

(reshape返回的是视图，修改b会影响原数组a)关于NumPy的广播机制，以下说法正确的是（）。

A.广播只能在形状完全相同的数组之间进行

B.广播时，维度小的数组会在左侧补1，然后从后向前对齐

C.广播时，对应维度长度必须相等或其中一个为1

D.广播会改变原数组的数据答案：C以下哪个函数用于查找数组中满足条件的元素索引？（）

A.np.where()

B.np.argmax()

C.np.searchsorted()

D.np.extract()答案：A对于二维数组a，以下哪个操作可以获得a的第一列？（）

A.a[0,:]

B.a[:,0]

C.a[0,0]

D.a[:,0:1]答案：B以下关于np.random.RandomState的说明，正确的是（）。

A.它是全局随机数生成器

B.它用于生成一个局部随机数生成器，可以独立控制种子

C.它不能设置种子

D.它生成的随机数与np.random.seed无关答案：B以下代码的输出结果是（）。pythonimportnumpyasnpa=np.array([1,2,3,4])b=np.array([10,20,30,40])print(np.dot(a,b))A.[104090160]

B.300

C.100

D.[123410203040]答案：B

(点积：1×10+2×20+3×30+4×40=300)以下哪个函数可以将多维数组展平为一维，并返回原数组的视图？（）

A.flatten()

B.ravel()

C.reshape(-1)

D.reshape(1,-1)答案：B

(ravel返回视图，flatten返回副本)二、判断题（正确打“√”，错误打“×”）NumPy数组的dtype属性决定了数组中元素的类型，且所有元素类型必须相同。（√）np.arange(0,10,0.5)可以生成从0到9.5步长为0.5的浮点数数组。（√）对于二维数组，使用单个整数索引如a[2]会返回该行的数据，其维度比原数组少一维。（√）使用花式索引（整数数组索引）返回的数组是原数组的一个视图。（×）解析：花式索引返回的是原数组的副本，不是视图。两个形状不同的数组进行算术运算时，如果满足广播条件，NumPy会自动复制数据使形状一致。（√）np.eye(3)函数可以生成一个3×3的单位矩阵。（√）np.sqrt()是通用函数，可以对数组中的每个元素计算平方根。（√）使用np.loadtxt()读取文件时，默认会将数据转换为整数类型。（×）解析：默认转换为float类型。np.random.shuffle()可以随机打乱多维数组所有维度的顺序。（×）解析：shuffle只改变第一维的顺序，子维内容不变。数组的切片操作返回的是原数组的视图，因此对切片的修改会影响原数组。（√）三、简答题简述NumPy多维数组（ndarray）的主要属性及其含义。参考答案：ndarray的主要属性包括：（1）ndim：数组的维度（轴）个数；（2）shape：数组的维度，由各维度上数组大小构成的元组；（3）size：数组中总的成员个数，等于shape中各维度大小的乘积；（4）dtype：数组成员类型描述对象；（5）itemsize：每个成员占用的字节大小；（6）data：数组数据存储区的缓冲区对象。如何创建NumPy数组？请列举至少五种方法。参考答案：（1）从Python列表或元组转换：np.array([1,2,3])；（2）使用np.arange(start,stop,step)生成一维数组；（3）使用np.linspace(start,stop,num)生成等间隔数组；（4）使用np.zeros(shape)、np.ones(shape)、np.eye(N)生成特殊数组；（5）使用np.random模块中的函数生成随机数组，如np.random.randn()、np.random.randint()等。什么是数组的广播机制？广播的条件是什么？参考答案：广播是指当两个形状不同的数组进行运算时，NumPy通过复制数据使形状一致，从而进行逐元素运算的机制。广播的条件是：（1）从后向前对齐维度，缺失维度补1；（2）对应维度要么相等，要么其中一个为1。满足条件时，维度为1的轴会被复制扩展以匹配另一个数组。NumPy中flatten()和ravel()方法有什么区别？参考答案：两者都将多维数组转换为一维数组。区别在于：ravel()返回的是原数组的视图（view），修改返回的数组会影响原数组；flatten()返回的是原数组的副本（copy），修改返回的数组不影响原数组。在性能上，ravel()通常更快且占用内存更少。如何对多维数组进行切片操作？请举例说明。参考答案：多维数组的切片使用逗号分隔每个维度的切片表达式，格式为[start:stop:step,...]。例如，对于三维数组arr，arr[1:3,:,::2]表示取第1维索引1到2的行，第2维全部，第3维步长为2。省略的维度表示全部选取，连续省略可以用...代替。切片返回的是原数组的视图。什么是花式索引？它与切片索引有何不同？参考答案：花式索引是指使用整数数组作为索引来选择数组中特定位置的元素。例如，arr[[0,2,3],[1,0,2]]会选择(0,1)、(2,0)、(3,2)位置的元素。与切片不同，花式索引返回的是原数组的副本，且可以按任意顺序选取不连续的位置。简述NumPy通用函数（ufunc）的特点，并举例说明其应用。参考答案：通用函数是对ndarray进行逐元素操作的函数，具有向量化运算、速度快、代码简洁的特点。它们分为一元函数（如np.sqrt、np.exp、np.sin）和二元函数（如np.add、np.maximum）。使用通用函数可以避免显式循环，提高计算效率。如何使用NumPy生成符合正态分布的随机数？请写出代码。参考答案：可以使用np.random.normal(loc,scale,size)生成指定均值和标准差的正态分布随机数。例如，生成100个均值为0、标准差为1的随机数：np.random.normal(0,1,100)。也可以使用np.random.randn(size)生成标准正态分布随机数。解释NumPy数组的shape属性与reshape方法的关系。参考答案：shape属性是数组的一个属性，表示数组各维度的大小，可以读取或直接修改（只要元素总数不变）。reshape()是数组的方法，返回一个具有新形状的数组视图（如果可能），不改变原数组的数据。两者都要求新形状的元素总数与原数组相同。如何使用NumPy进行矩阵乘法？请写出两种方法。参考答案：对于二维数组表示的矩阵，可以使用以下方法进行矩阵乘法：（1）np.dot(A,B)或A.dot(B)；（2）使用@运算符：A@B；（3）对于高维数组，可以使用np.matmul(A,B)。注意，点积要求第一个矩阵的列数等于第二个矩阵的行数。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