2026年数据管理局考试Python数据分析与Pandas库应用练习

2026年数据管理局考试Python数据分析与Pandas库应用练习一、选择题（每题2分，共20题）1.在Pandas中，用于读取CSV文件的函数是？A.`read_excel()`B.`read_sql()`C.`read_csv()`D.`read_json()`2.下列哪个方法可以用来删除PandasDataFrame中的空行？A.`dropna()`B.`fillna()`C.`drop_duplicates()`D.`drop()`3.在Pandas中，如何对DataFrame进行按列排序？A.`sort()`B.`sort_values()`C.`sort_index()`D.`sort_column()`4.以下哪个是Pandas中用于创建数据透视表的函数？A.`pivot()`B.`pivot_table()`C.`groupby()`D.`aggregate()`5.在Pandas中，如何选择DataFrame中满足条件的行？A.`loc[]`B.`iloc[]`C.`filter()`D.`where()`6.以下哪个方法可以用来对PandasDataFrame中的缺失值进行填充？A.`dropna()`B.`fillna()`C.`interpolate()`D.`replace()`7.在Pandas中，如何计算DataFrame中某一列的平均值？A.`mean()`B.`avg()`C.`std()`D.`median()`8.以下哪个函数可以用来合并两个PandasDataFrame？A.`merge()`B.`join()`C.`concat()`D.`append()`9.在Pandas中，如何将DataFrame保存为CSV文件？A.`to_csv()`B.`save()`C.`export()`D.`write()`10.以下哪个方法可以用来对PandasDataFrame进行分组统计？A.`groupby()`B.`aggregate()`C.`pivot_table()`D.`summarize()`二、填空题（每题2分，共10题）1.在Pandas中，用于创建Series对象的函数是__________。2.删除DataFrame中重复行的函数是__________。3.选择DataFrame中满足条件的行的方法是__________或__________。4.计算DataFrame中某一列的方差的函数是__________。5.合并两个DataFrame时，如果两个DataFrame的索引相同，应使用__________方法。6.填充DataFrame中缺失值的函数是__________。7.对DataFrame进行按行排序的函数是__________。8.创建数据透视表的函数是__________。9.选择DataFrame中特定列的方法是__________。10.将DataFrame保存为Excel文件的函数是__________。三、简答题（每题5分，共5题）1.简述Pandas库在数据分析中的主要作用。2.如何使用Pandas对数据进行分组和聚合？3.解释Pandas中`loc[]`和`iloc[]`的区别。4.如何处理PandasDataFrame中的缺失值？5.描述Pandas中合并（合并、连接、拼接）数据的几种方式及其适用场景。四、操作题（每题10分，共5题）1.数据读取与处理假设你有一份名为“销售数据.csv”的文件，包含以下列：-`日期`（日期类型）-`销售额`（数值类型）-`地区`（分类类型）请完成以下操作：a.读取CSV文件到DataFrame。b.删除包含缺失值的行。c.按地区分组，计算每个地区的总销售额。d.将结果保存为“地区销售额统计.xlsx”文件。2.数据清洗与转换假设你有一份名为“员工数据.csv”的文件，包含以下列：-`员工ID`（数值类型）-`姓名`（字符串类型）-`部门`（分类类型）-`入职日期`（日期类型）请完成以下操作：a.读取CSV文件到DataFrame。b.将“入职日期”列转换为“入职年月”格式（如“2023-01”）。c.添加一列“工龄”，计算每个员工的工龄（单位：年）。d.筛选出工龄大于5年的员工，并按部门分组统计人数。3.数据合并与聚合假设你有两个文件：-“销售数据.csv”：包含`订单ID`、`销售额`、`日期`。-“客户数据.csv”：包含`客户ID`、`姓名`、`地区`。请完成以下操作：a.读取两个CSV文件到DataFrame。b.使用`订单ID`和`客户ID`进行左合并。c.按地区分组，计算每个地区的总销售额和客户数量。d.筛选出销售额大于10万的地区，并按客户数量降序排序。4.数据透视与统计分析假设你有一份名为“产品销售数据.csv”的文件，包含以下列：-`产品ID`（数值类型）-`产品名称`（字符串类型）-`销售渠道`（分类类型）-`销售日期`（日期类型）-`销售额`（数值类型）请完成以下操作：a.读取CSV文件到DataFrame。b.创建一个数据透视表，按“销售渠道”和“产品名称”分组，计算每个组合的总销售额。c.在数据透视表中添加一个“销售数量”的指标（假设已提供该列）。d.筛选出销售额最高的销售渠道，并显示其所有产品名称和总销售额。5.数据可视化准备假设你有一份名为“城市空气质量.csv”的文件，包含以下列：-`城市`（字符串类型）-`日期`（日期类型）-`PM2.5`（数值类型）-`PM10`（数值类型）请完成以下操作：a.读取CSV文件到DataFrame。b.删除包含缺失值的行。c.按城市分组，计算每个城市的PM2.5和PM10的平均值。d.筛选出PM2.5平均值低于50的城市，并按PM10平均值降序排序。e.将结果保存为“城市空气质量统计.xlsx”文件，以便后续可视化分析。答案与解析一、选择题答案1.C2.A3.B4.B5.A6.B7.A8.A9.A10.A解析：-选项1：`read_csv()`是Pandas中读取CSV文件的函数，其他选项错误。-选项2：`dropna()`用于删除包含缺失值的行，其他选项错误。-选项3：`sort_values()`用于按列排序，其他选项错误。-选项4：`pivot_table()`用于创建数据透视表，其他选项错误。-选项5：`loc[]`用于选择满足条件的行，其他选项错误。-选项6：`fillna()`用于填充缺失值，其他选项错误。-选项7：`mean()`用于计算平均值，其他选项错误。-选项8：`merge()`用于合并两个DataFrame，其他选项错误。-选项9：`to_csv()`用于保存DataFrame为CSV文件，其他选项错误。-选项10：`groupby()`用于分组统计，其他选项错误。二、填空题答案1.`pd.Series()`2.`drop_duplicates()`3.`loc[]`,`iloc[]`4.`var()`5.`merge()`（默认）6.`fillna()`7.`sort_index()`8.`pivot_table()`9.`[]`（如`df['列名']`）10.`to_excel()`解析：-选项1：`pd.Series()`是创建Series对象的函数。-选项2：`drop_duplicates()`用于删除重复行。-选项3：`loc[]`和`iloc[]`用于选择满足条件的行（按标签和位置）。-选项4：`var()`计算方差，`std()`计算标准差。-选项5：`merge()`默认按索引合并，其他选项错误。-选项6：`fillna()`用于填充缺失值。-选项7：`sort_index()`按行索引排序。-选项8：`pivot_table()`创建数据透视表。-选项9：`[]`用于选择特定列。-选项10：`to_excel()`保存为Excel文件。三、简答题答案1.Pandas库在数据分析中的主要作用Pandas是Python中用于数据分析的核心库，主要作用包括：-数据读取与清洗：读取多种数据源（CSV、Excel、SQL等），处理缺失值、重复值等。-数据处理与转换：对数据进行筛选、排序、分组、聚合等操作。-数据合并与连接：通过`merge()`、`join()`、`concat()`等方法合并数据。-数据可视化准备：将数据转换为适合可视化的格式（如数据透视表）。2.如何使用Pandas对数据进行分组和聚合使用`groupby()`方法对数据进行分组，然后使用聚合函数（如`sum()`、`mean()`、`count()`等）进行统计：pythongrouped=df.groupby('列名').agg({'另一列名':'sum'})3.`loc[]`和`iloc[]`的区别-`loc[]`：按标签选择（如`df.loc[行标签,列标签]`）。-`iloc[]`：按位置选择（如`df.iloc[行索引,列索引]`）。4.如何处理PandasDataFrame中的缺失值-删除：`dropna()`删除包含缺失值的行或列。-填充：`fillna()`用特定值填充缺失值。-插值：`interpolate()`使用插值方法填充缺失值。5.Pandas中合并数据的几种方式及其适用场景-`merge()`：按索引或指定列合并，适用于关联数据。-`join()`：按索引合并，类似于`merge()`但更简洁。-`concat()`：按轴拼接数据，适用于增加行或列。-`append()`：追加数据，适用于简单追加。四、操作题答案1.数据读取与处理pythonimportpandasaspd读取CSV文件df=pd.read_csv('销售数据.csv')删除包含缺失值的行df=df.dropna()按地区分组，计算总销售额result=df.groupby('地区')['销售额'].sum().reset_index()保存为Excel文件result.to_excel('地区销售额统计.xlsx',index=False)2.数据清洗与转换pythonimportpandasaspd读取CSV文件df=pd.read_csv('员工数据.csv')转换入职日期格式df['入职年月']=df['入职日期'].dt.to_period('M')计算工龄（假设当前日期为2023-10-01）df['工龄']=((pd.Timestamp('2023-10-01')-df['入职日期']).dt.days//365)筛选工龄大于5年的员工，按部门分组统计人数result=df[df['工龄']>5].groupby('部门').size().reset_index(name='人数')3.数据合并与聚合pythonimportpandasaspd读取CSV文件sales_df=pd.read_csv('销售数据.csv')customer_df=pd.read_csv('客户数据.csv')左合并merged_df=pd.merge(sales_df,customer_df,left_on='客户ID',right_on='客户ID',how='left')按地区分组，计算总销售额和客户数量result=merged_df.groupby('地区').agg({'销售额':'sum','客户ID':'nunique'}).reset_index()筛选销售额大于10万的地区，按客户数量降序排序result=result[result['销售额']>100000].sort_values('客户ID',ascending=False)4.数据透视与统计分析pythonimportpandasaspd读取CSV文件df=pd.read_csv('产品销售数据.csv')创建数据透视表pivot=pd.pivot_table(df,index=['销售渠道','产品名称'],values='销售额',aggfunc='sum')添加销售数量指标（假设已提供该列）pivot['销售数量']=df.groupby(['销售渠道','产品名称'])['销售数量'].sum()筛选销售额最高的销售渠道，显示产品名称和总销售额max_sales_channel=pivot.groupby('销售渠道')['销售额'].idxmax()result=pivot.loc[max_sales_channel].sort_values('销售额',ascending=False)5.数据可视化准备pythonimportpandasaspd读取CSV文件df=pd.read_csv('城市空气质量.csv')删除包含缺失值的行df=df.dropna