数据分析与可视化 第4套配套答案

第4套试卷配套答案选择题（每题2分，共30分）1-5.BCBDA6-10.BAABB11-15.ABBDB多选题（每题2分，共10分）ABCABDABCDABCABC判断题（每题2分，共10分）1-5.×√√××填空题（每空1分，共10分）1.图形、视觉表现形式2.缺失值、异常值、重复值3.极差4.消费金额5.Matplotlib_、_Seaborn6.merge()简答题（每题5分，共10分）1.答案：数据可视化的意义主要体现在以下几个方面：增强理解：图形化的展示方式能够让复杂的数据集变得易于理解，帮助人们快速 捕捉数据的主要信息。揭示趋势：通过图表和图形，我们可以轻松识别数据中的趋势、模式和异常值， 为决策提供支持。促进决策：数据可视化有助于展示数据分析的结果，使决策者能够更清晰地了解 数据的意义和影响，从而做出更准确和及时的决策。提高效率：可视化工具能够快速生成各种图表和图形，节省了手动处理数据的时 间，提高了工作效率。2.答案：RFM客户细分模型是一种基于客户行为的客户价值分析方法，它通过三个核心指标来评估客户：Recency（最近一次消费时间）：指的是客户最近一次购买距离当前时间的间隔。它反映了客户的活跃程度，越近的购买时间通常意味着客户更有价值或更有可能再次购买。Frequency（消费频率）：指的是客户在一定时间范围内购买的次数。较高的购买频率表明客户忠诚度较高，对品牌有持续的兴趣。Monetary（消费金额）：指的是客户在一定时间范围内的总消费金额。它直接反映了客户为公司带来的收入价值。通过这三个指标的组合，RFM模型将客户细分为不同的群体，每个群体代表不同的客户价值和行为模式，从而帮助企业制定个性化的营销策略，提高客户满意度和忠诚度。编程题1.导入数据集，探查数据，使用head函数显示数据前8行（5分）raw_data=pd.read_csv("欧洲城市人口.csv")raw_data.head(8)2.使用合适的函数确认数据集中是否有数据缺失的情况（5分）raw_data.isnull().sum()3.使用合适的函数确认数据集中是否有重复值情况，如果存在，处理重复值。（5分）raw_data.drop_duplicates()4.数据集字段重命名（5分）要求：按以下映射关系对字段进行重命名修改前字段名称修改后字段名称Rank排名City城市State州Population人口Dateofcensus/estimate调查日期raw_data.columns=['排名','城市','国家','人口','调查日期']5.找出“城市”字段中的问题，用markdown描述具体问题，并用代码解决（5分）城市字段中有乱码，需要替换掉raw_data.城市[~raw_data.城市.str.isalpha()]raw_data.iloc[[0,7,15],1]=["London","Hamburg","Brussels"]6.找出“人口”字段中的问题，描述具体问题（5分）人口字段中有异常格式，替换人口数值中的逗号字符为空字符串raw_data.人口raw_data.人口=raw_data.人口.str.replace(",","").astype(int)7.将“调查日期”字段中的数据格式改为datatime类型（5分）raw_data['调查日期']=pd.to_datetime(raw_data['调查日期'])raw_data.head()8.统计各国的城市数量，降序展示结果，只显示前5个结果（5分）raw_data.groupby("国家")["城市"].count().sort_values(ascending=False).head()9.统计各国的人口数量，并使用合适的图形展示结果（10分）图形要求为：中文字题使用宋体，对应参数为：SimSun；图形标题字体大小为20；坐标轴标题和刻度的字体大小为14；需要添加数据标签；需要添加图例；使用其他参数调整图形，优化整体效果 popu=raw_data['国家人口'.split()].groupby("国家")renkou=popu.agg({'人口':'sum'})renkou=renkou.reset_index()renkou=renkou.sort_values(by='人口',ascending=True)plt.figure(figsize=(20,10),facecolor='linen')plt.barh(renkou['国家'],renkou['人口'],color='darkturquoise',label='人口')plt.xticks(c='royalblue',fontsize=14)plt.yticks(color='royalblue',fontsize=14)plt.xlabel('人口数量',c='red',fontsize=14)plt.ylabel('国家地区',c='red',fontsize=14)plt.title('欧洲各国人口数量排名',fontsize=20)fory,xinenumerate(renk