Python数据分析实战题目及解析

Python数据分析实战题目及解析一、单项选择题（共10题，每题1分，共10分）在Python数据分析场景中，使用pandas库读取本地csv格式文本文件的默认函数是以下哪一项？A.pandas.read_excel()B.pandas.read_csv()C.pandas.read_json()D.pandas.read_sql()答案：B解析：正确选项B的依据是pandas官方为csv格式文本文件专门提供的读取接口就是read_csv，也是实战中最常用的结构化文本读取方法。错误选项A是用于读取Excel表格文件的函数，错误选项C是用于读取JSON格式数据的函数，错误选项D是用于连接数据库读取结构化数据的函数，三者均不符合题干场景要求。在numpy库的操作逻辑中，执行代码np.array([1,2,3])+np.array([4,5,6])得到的结果是以下哪一项？A.[1,2,3,4,5,6]B.[5,7,9]C.报错提示维度不匹配D.生成标量值21答案：B解析：正确选项B的依据是numpy数组执行算术运算时默认执行对位元素运算，两个长度为3的一维数组相加对应位置元素求和，得到1+4=5、2+5=7、3+6=9的结果。错误选项A是原生Python列表执行加法的拼接效果，不是numpy数组的运算逻辑；错误选项C的场景只有在两个数组维度长度不匹配时才会触发；错误选项D是数组所有元素求和后的结果，不是数组加法的直接返回值。在pandas的DataFrame索引操作中，以下关于iloc方法的描述符合实战规则的是哪一项？A.iloc可以通过列名和行名的标签值选择数据B.iloc只能通过整数位置下标选择行和列的范围C.iloc选择的切片范围是包含结束下标的闭区间D.iloc不支持同时选择多行和多列答案：B解析：正确选项B的依据是iloc是位置索引，所有传入的参数都必须是代表位置的整数，不能传入自定义的标签名称。错误选项A是loc索引方法的特性，不属于iloc的规则；错误选项C中iloc的切片遵循Python默认的左闭右开规则，不包含结束下标；错误选项D中iloc完全支持同时传入行位置列表和列位置列表，实现多行多列的选取。使用pandas的isna()方法对包含空值的Series对象执行操作后，得到的返回结果是什么类型？A.单个布尔值，代表整个序列是否存在空值B.和原序列长度相同的布尔类型SeriesC.数值型数组，空值位置返回1非空位置返回0D.返回空值的数量统计结果答案：B解析：正确选项B的依据是isna方法是逐元素判断是否为空，会返回和原对象结构完全一致的布尔型结构，空值位置对应True，非空位置对应False。错误选项A是any()方法执行后的结果，不是isna的直接返回值；错误选项C中isna不会返回数值类型结果；错误选项D是isna之后调用sum()方法才能得到的统计结果，不属于isna的直接返回内容。使用matplotlib库完成可视化绘图代码编写后，要在本地窗口直接展示生成的图表，必须调用的函数是以下哪一项？A.matplotlib.pyplot.savefig()B.matplotlib.pyplot.figure()C.matplotlib.pyplot.show()D.matplotlib.pyplot.legend()答案：C解析：正确选项C是matplotlib官方提供的图表展示触发函数，不调用该函数的情况下代码运行不会主动弹出图表窗口。错误选项A的作用是将生成的图表保存为本地图片文件，没有展示窗口的效果；错误选项B的作用是创建一个新的空白画布，不会触发展示操作；错误选项D的作用是为图表添加图例说明，和窗口展示没有关联。在pandas中要对DataFrame对象完成全表按行去重操作，直接调用的方法是以下哪一项？A.drop_duplicates()B.dropna()C.drop()D.duplicated()答案：A解析：正确选项A是pandas专门用于去除重复行的方法，默认判断整行所有元素完全相同时就删除重复的后续行。错误选项B是用于删除包含空值的行的方法，不处理重复值；错误选项C是用于手动指定删除指定行或者指定列的方法，不会自动识别重复内容；错误选项D只会返回判断每行是否为重复的布尔序列，本身不会完成去重操作。要将pandasDataFrame中某列存储的字符串格式”20”、“35”直接转换为整数类型int，直接调用的方法是以下哪一项？A.to_datetime()B.astype()C.values()D.reset_index()答案：B解析：正确选项B是pandas中用于直接转换序列数据类型的通用方法，传入目标类型名称即可完成合法内容的类型转换。错误选项A是专门用于将字符串转换为时间日期类型的方法，不能得到整数结果；错误选项C是用于将序列转换为numpy数组对象的属性，不属于类型转换方法；错误选项D的作用是重置DataFrame的索引，和数据类型转换完全无关。在pandas的groupby分组操作逻辑中，执行df.groupby(“品类”)[“销售额”].sum()这段代码的效果是以下哪一项？A.统计整个表所有销售额的总和B.按照品类分组，统计每个品类下所有销售额的求和结果C.统计每个品类下的记录总条数D.把品类列的数据全部求和得到一个标量结果答案：B解析：正确选项B完全符合groupby分组聚合的执行逻辑，先按照品类列的不同值拆分数据集，再对每个子集的销售额字段执行求和运算，返回每个品类对应的总销售额。错误选项A没有分组操作，是直接对销售额列求和的结果；错误选项C的效果需要调用count()方法而不是sum()方法；错误选项D品类列是文本类型无法直接求和，代码运行会直接报错。使用matplotlib创建一个包含2行2列子图的画布，以下写法符合常规实战规范的是哪一项？A.plt.subplots(2,2)B.plt.subplot(2,2)C.plt.figure(2,2)D.plt.grid(2,2)答案：A解析：正确选项A是面向对象绘图写法中批量生成指定行列子图的标准函数，会同时返回画布对象和所有子图的坐标轴数组，是实战中创建多子图场景最常用的写法。错误选项B的subplot函数一次只能生成单个子图，不能一次性生成全部4个子图；错误选项C的figure函数用于创建空白画布，传入的参数不能是行列数量；错误选项D的grid函数用于设置图表的网格线属性，和创建子图没有关联。要让pandas的DataFrame对象按照”销量”列的数值从高到低完成排序操作，以下代码写法正确的是哪一项？A.df.sort_values(by=“销量”,ascending=False)B.df.sort_values(by=“销量”,ascending=True)C.df.sort_index(by=“销量”,ascending=False)D.df.sort(by=“销量”,ascending=False)答案：A解析：正确选项A中的sort_values是按照指定列值排序的方法，ascending参数设置为False代表降序排列，完全符合销量从高到低的排序需求。错误选项B中ascending=True是升序排列，得到的是销量从低到高的结果；错误选项C的sort_index是按照索引排序的方法，没有by参数的合法用法；错误选项D的pandasDataFrame对象没有直接的sort()方法，代码运行会报错。一、多项选择题（共10题，每题2分，共20分）以下属于pandas库中支持的核心数据结构的选项有哪些？A.Series一维带标签数组B.DataFrame二维带标签表格结构C.ndarray多维数组结构D.Index索引对象答案：ABD解析：正确选项A、B、D都属于pandas官方定义的原生数据结构，是实战中最常接触的核心对象。错误选项C的ndarray是numpy库的核心数据结构，不属于pandas库的原生数据结构，虽然pandas底层依赖numpy实现，但本身不属于pandas的专属数据结构。在Python数据分析实战中，常用的缺失值处理合法操作方案有以下哪些选项？A.直接删除存在缺失值的行或列B.使用均值、中位数、众数等统计值填充缺失值C.根据业务逻辑使用固定常量填充缺失值D.放任缺失值不做任何处理直接送入后续所有计算环节答案：ABC解析：正确选项A、B、C都是工业界数据分析场景中经过验证的合法缺失值处理方案，可以根据缺失值占比、业务场景灵活选择。错误选项D的操作存在大量隐患，很多统计函数、可视化函数遇到缺失值会直接报错或者得到不符合预期的结果，大部分场景下不能直接放任缺失值不做处理。以下属于pandas库提供的数据合并相关函数的选项有哪些？A.merge()类SQL连接操作函数B.concat()轴向拼接函数C.join()基于索引的合并函数D.append()行追加合并方法答案：ABCD解析：四个选项描述的函数和方法都是pandas官方提供的原生数据合并工具，分别适用于不同的合并场景：merge适用于按键关联的表连接，concat适用于多个数据集按行或列直接拼接，join适用于索引对齐的快速合并，append适用于给现有表批量追加新行，都是实战中非常常用的合并操作。在matplotlib数据可视化实战场景中，以下图表类型适合用于展示两个连续变量之间相关性分布特征的选项有哪些？A.散点图B.热力图C.折线图D.饼图答案：ABC解析：正确选项A的散点图可以直接将两个连续变量分别映射到XY坐标轴，直观展示变量之间的正相关、负相关或者无相关的分布特征；正确选项B的热力图可以展示多个连续变量的相关系数矩阵，快速定位两两变量的相关程度；正确选项C的折线图可以展示两个连续变量随维度变化的同步变化趋势，也能侧面体现相关性特征。错误选项D的饼图只适合展示单一维度不同分类的占比关系，完全无法体现两个连续变量之间的相关性。以下关于pandasgroupby分组操作的描述符合实战规则的选项有哪些？A.支持同时传入多个列名实现多字段联合分组B.对分组后的结果可以同时应用多个不同的聚合函数C.分组操作得到的中间对象可以直接遍历得到每一组的子数据集D.分组之后只能对数值类型的字段执行聚合运算，不能返回其他类型结果答案：ABC解析：正确选项A的多字段联合分组是pandasgroupby的原生支持特性，传入列名列表即可实现；正确选项B的agg方法可以传入聚合函数列表，一次性同时计算求和、均值、计数等多个指标；正确选项C的分组对象是可迭代对象，可以遍历得到每组的分组键和对应的子集数据集。错误选项D的分组操作完全支持自定义聚合函数，也支持对文本类型字段执行拼接、计数等操作，没有只能处理数值字段的限制。以下属于numpy库提供的合法创建数组的常用方法的选项有哪些？A.np.arange()生成指定步长的一维序列数组B.np.zeros()生成全零填充的指定维度数组C.np.ones()生成全1填充的指定维度数组D.np.read_csv()读取文本文件生成数组答案：ABC解析：正确选项A、B、C都是numpy官方提供的常用数组创建方法，实战中被大量用于初始化占位数组、生成测试序列等场景。错误选项D的read_csv是pandas提供的函数，numpy库没有名为read_csv的原生方法。在Python数据分析数据清洗环节中，属于常规需要执行的操作步骤的选项有哪些？A.识别并处理数据集中的缺失值B.识别并处理数据集中的重复行C.校验修正字段的数据类型错误D.统一不同字段的单位和编码规则答案：ABCD解析：四个选项描述的内容都是数据清洗环节的核心常规操作，数据清洗的目标就是把原始杂乱的脏数据转换为干净合规的可分析数据，上述操作都是工业界数据分析项目中必须覆盖的基础步骤。以下属于pandas支持的索引类型的选项有哪些？A.整数索引B.时间日期索引C.多级复合索引D.字符串标签索引答案：ABCD解析：四个选项的索引类型都是pandas原生支持的索引结构，分别适用于不同的场景：整数索引适用于常规顺序编号，时间索引适用于时序数据分析，多级索引适用于多层维度嵌套的数据集，字符串标签索引适用于自定义标识的场景。在数据分析的特征预处理环节，常用的数值型特征标准化处理方案有以下哪些选项？A.MinMax归一化将数值缩放到0到1区间B.Z-Score标准化将数值转换为均值为0方差为1的标准分布C.对数变换压缩数值的偏态分布D.独热编码把数值字段转换为多列0-1标识答案：ABC解析：正确选项A、B、C都是针对连续数值特征的常用标准化处理方法，可以消除不同特征量纲差异带来的影响。错误选项D的独热编码是针对分类类型特征的编码方法，不属于数值型特征的标准化方案。使用pandas导出处理好的结构化数据集时，支持直接导出的合法文件格式的选项有哪些？A.导出为csv文本文件B.导出为Excel格式文件C.导出为JSON格式文件D.导出为可执行exe程序文件答案：ABC解析：正确选项A、B、C都是pandas原生支持的导出格式，分别对应不同的下游使用场景。错误选项D的exe是可执行程序文件，pandas完全不支持将数据集直接导出为该格式。一、判断题（共10题，每题1分，共10分）使用pandas的read_excel函数读取后缀为xlsx的新版Excel文件时，必须提前安装openpyxl依赖库才能正常运行，否则会触发导入报错。答案：正确解析：该描述符合pandas的官方运行规则，pandas本身没有内置解析xlsx格式的依赖，默认需要用户提前安装openpyxl库作为解析后端才能正常读取新版Excel文件。原生Python中的列表执行加法操作和numpy数组执行加法操作的返回结果逻辑完全一致。答案：错误解析：原生Python列表的加法是执行元素拼接操作，两个列表相加会得到长度为两个列表长度之和的新列表；而numpy数组的加法是对位元素求和，逻辑完全不同。pandas的DataFrame对象中，每一列的所有元素必须是完全相同的数据类型，不允许同一列同时存储字符串、数值、布尔值等不同类型的数据。答案：错误解析：pandas支持object通用类型的列，在该类型列中可以混合存储不同类型的元素，只是混合类型的列执行数值运算时会出现大量效率问题，实战中不推荐这种用法。执行pandas的df.drop_duplicates()方法默认情况下，只要整行所有元素完全相同才会判定为重复行进行删除。答案：正确解析：该描述完全符合drop_duplicates方法的默认行为，用户可以通过传入subset参数指定仅根据部分字段判断重复，默认的判断逻辑就是比对整行所有元素。matplotlib绘制的所有图表默认无法直接在没有桌面环境的服务器上弹出展示窗口，需要先配置后端参数或者直接使用savefig方法导出图片。答案：正确解析：该描述符合无桌面服务器环境的matplotlib运行特性，服务器环境中没有图形化窗口服务，直接调用plt.show()会触发报错，一般都是直接导出图片文件保存。使用pandas的groupby分组操作之后，不可以对同一个不同字段同时应用不同的聚合函数。答案：错误解析：pandas的agg方法支持接收字典作为参数，字典的键指定要聚合的字段，字典的值指定对应字段要使用的聚合函数，完全可以实现不同字段应用不同聚合函数的需求。numpy的reshape方法在调整数组维度的时候，不会改变数组内部的元素总数量。答案：正确解析：reshape方法只是调整数组的维度展示方式，不会新增或者删除数组中的任何元素，因此调整前后数组的元素总数量完全一致。pandas的to_datetime方法可以自动识别绝大多数符合常规格式的字符串时间，转换为pandas专属的datetime64时间类型。答案：正确解析：该描述是pandas时间转换模块的官方特性，对于绝大多数常见的时间格式字符串，不需要额外写复杂的解析规则就可以自动完成时间类型转换。数据分析实战中所有异常值都必须直接删除，不能进行任何保留或者修正操作。答案：错误解析：异常值不一定是错误数据，很多场景下异常值本身就代表重要的业务信息，比如电商场景中大额异常订单可能是高价值客户产生的，不能随意直接删除，要结合业务逻辑判断后续处理方案。pandas的DataFrame对象可以直接和numpy数组进行合法的算术运算，不需要做额外的类型转换。答案：正确解析：pandas底层完全兼容numpy的运算逻辑，DataFrame对象的底层存储本质就是numpy数组结构，两者之间可以直接进行绝大多数算术运算操作。一、简答题（共5题，每题6分，共30分）请简述Python数据分析实战中pandas处理缺失值的三种主流实战方案。答案：第一，删除法，当缺失值占比极低且对应字段或行对分析结果影响很小的时候，可以直接调用dropna方法将包含缺失值的行或者整列直接删除，快速得到干净的数据集，适用于缺失值占比低于5%且删除后不会损失大量有效信息的场景。第二，填充法，根据字段的属性选择合理的填充规则，数值型字段可以使用均值、中位数填充，分类字段可以使用众数填充，也可以根据业务逻辑填充0、未知字符串等固定常量，还可以使用前向填充、后向填充处理时序数据中的缺失值，是实战中应用范围最广的缺失值处理方案。第三，标记法，新增一个专门的布尔类型字段，标记原始字段对应位置是否为缺失值，将缺失值本身作为一种特殊的业务特征保留，不对原始缺失字段做任何填充修改，适用于缺失值本身就携带特殊业务含义的场景。解析：三个方案覆盖了90%以上的实战缺失值处理场景，不同方案分别对应不同的业务约束条件，分析师可以根据缺失值占比、字段的业务意义灵活组合选择，没有通用的最优方案，只有最适合当前业务场景的方案。请简述pandas中loc索引和iloc索引的核心差异。答案：第一，索引的依据不同，loc是标签索引，所有传入的参数都对应对象的自定义标签名称，包括自定义的行索引名、列名，而iloc是位置索引，所有传入的参数都只能是代表元素位置的整数下标，从0开始计数，和用户自定义的标签名称完全无关。第二，切片的区间规则不同，loc的切片操作是闭区间，会同时包含传入的起始标签和结束标签对应的元素，而iloc的切片操作遵循Python的默认左闭右开规则，只会包含起始位置元素，不会包含结束位置下标对应的元素。第三，适用场景不同，loc更适合索引名称有明确业务含义的场景，比如按照日期标签选择对应时间段的数据，iloc更适合不关注标签含义，只需要快速按行的先后位置选取数据的场景。解析：两个索引方法是pandas索引操作的核心，区分清楚二者的差异可以有效避免实战中出现索引选择错误、切片范围不符合预期的常见问题，也是很多后续高级筛选操作的基础。请简述Python数据分析实战中探索性数据分析的核心执行步骤。答案：第一，数据概览，读取数据集后首先通过head、info、describe等方法查看数据的基本结构、字段类型、基本统计量，快速了解数据集的整体规模，排查基础的格式错误。第二，数据清洗，识别处理数据集中的缺失值、重复值、异常值，修正字段的数据类型，统一编码和单位规则，得到干净的可分析数据集。第三，单变量分析，逐个分析每个字段的分布特征，针对分类字段统计各分类的占比和频次，针对数值字段统计分布的均值、方差、分位数等特征，绘制直方图、箱线图等可视化图表辅助理解分布规律。第四，多变量关联分析，通过交叉表、相关系数矩阵、散点图等方式分析不同字段之间的关联关系，挖掘数据背后的业务规律和隐藏特征。解析：探索性数据分析是正式输出分析结论之前的核心环节，这几个步骤的执行可以帮助分析师快速熟悉陌生数据集，规避很多后续分析环节的低级错误，大幅提升最终分析结论的可靠性。请简述使用matplotlib绘制常规折线图的核心操作流程。答案：第一，导入依赖库，导入matplotlib的pyplot子库并设置好中文显示的相关配置，避免图表中的中文标签出现乱码问题。第二，准备绘图数据，整理好折线图X轴对应的序列数据和Y轴对应的指标序列数据，保证两个序列的长度完全一致。第三，调用绘图方法，使用plt.plot方法传入X轴数据、Y轴数据，同时指定折线的颜色、线型、标记点样式等视觉参数。第四，设置图表辅助元素，依次给图表添加标题、X轴标签、Y轴标签、图例、网格线等辅助说明元素，提升图表的可读性。第五，导出或展示图表，调用plt.show()在本地窗口展示图表，或者调用plt.savefig方法将图表导出为高分辨率的本地图片文件。解析：该流程覆盖了绘制折线图的所有核心必要步骤，也是其他类型matplotlib图表绘制的通用参考流程，只需要替换对应绘图函数就可以生成其他类型的可视化图表。请简述pandas中groupby分组聚合操作的典型执行逻辑。答案：第一，拆分阶段，根据用户传入的分组字段的不同取值，将原始的大数据集按照分组键拆分成多个互不重叠的小的子集，每个子集对应分组字段的一个唯一取值。第二，应用阶段，针对拆分得到的每一个子集，分别执行用户指定的聚合运算，比如求和、计数、求均值等操作，每个子集运算后得到一个对应的聚合结果。第三，合并阶段，把所有子集得到的聚合结果，按照分组键的顺序重新拼接成一个统一的最终结果对象，返回给用户调用。解析：拆分-应用-合并是所有分组聚合操作的底层通用逻辑，理解这个逻辑之后就可以清晰预判分组操作的返回结果结构，避免写出不符合预期的分组聚合代码。一、论述题（共3题，每题10分，共30分）结合电商用户消费行为数据分析的实战场景，论述从原始CSV数据导入到产出可用分析数据集的全流程操作要点。答案：论点：从原始脏数据到可用分析数据集的全流程是保障后续分析结论准确的核心基础，每一个环节都要结合业务场景设置对应的校验规则。论据部分，第一步是数据导入环节，实战中电商原始消费数据经常会出现字段分隔符异常、编码不统一的问题，不能直接使用默认参数调用read_csv函数，要提前先用文本编辑器查看原始CSV的编码格式，指定encoding参数，同时处理表头的异常乱码问题，导入之后先用info方法查看导入后的数据结构，确认字段数量和预期一致，避免因为分隔符识别错误导致字段错位。第二步是基础校验环节，导入数据后首先排查用户ID、消费时间、消费金额几个核心字段有没有缺失值，统计缺失值的占比，比如电商场景下如果用户ID字段的缺失值占比不到1%，可以直接删除这些无效记录，如果消费金额字段出现大量空值，要回溯确认是否是统计埋点的问题，再决定是填充0还是直接删除。第三步是数据类型修正，比如原始导入的消费金额很多时候默认是字符串类型，需要去掉金额字段里的人民币符号、千分位逗号等特殊字符之后再用astype转换为数值类型，消费时间字段要转换为datetime64时间类型，方便后续做基于时间的维度拆分。第四步是重复值和异常值处理，排查是否存在因为数据同步重复导致的完全重复的订单记录，直接去重，同时用箱线图识别消费金额字段的异常大额订单，比如消费金额超过正常用户客单价10倍的记录不能直接删除，要结合业务规则判断是否为真实的大订单，标记出来后续分析高价值用户的时候单独使用。最后得到的可用数据集可以直接用于后续的用户复购率统计、不同品类销售额统计等分析操作。结论部分，整个全流程没有通用的一键执行的方案，所有操作步骤都要结合电商的具体业务逻辑校验，不能机械套用固定的清洗模板，避免把业务上有价值的有效数据错误删除。论述Python数据分析实战中如何使用pandas完成异常值识别与处理，结合零售门店日销售额统计的具体实例说明。答案：论点：异常值的识别和处理不能只依赖纯数学统计规则，必须结合业务常识判断，才能既避免统计结果失真，又不丢失重要的特殊业务信息。论据部分，首先是异常值的识别环节，实战中常用两种方法结合识别，第一种是统计学方法，使用3σ准则或者箱线图四分位距方法识别，比如零售门店日销售额字段，先计算出销售额的均值和标准差，超出均值加减3倍标准差之外的数值，或者超出上四分位加1.5倍四分位距的数值，初步标记为潜在异常值，某门店日常日销售额的均值在2万左右，标准差在5千左右，按照3σ规则日销售额超过3.5万的日期就会被标记为潜在异常值。第二种是业务规则校验，比如门店单日的最大接待客流量乘以客单价的理论上限是5万，所以超过5万的日销售额记录可以直接判定为错误异常值。然后是异常值的处理环节，要分不同的场景选择不同的处理方案，对于明显的错误异常值，比如某条记录的日销售额字段被错误录入为0，但是当天门店是正常营业状态，这种属于明显的埋点统计错误，可以使用前后相邻3天的销售额均值填充，修正数据错误