2026年国企Python数据分析笔试试题（含答案）

2026年国企Python数据分析笔试试题（含答案）一、选择题（每题2分，共20题，共40分）（一）单项选择题（每题2分，共15题，共30分）1.在Python中，用于创建空集合的语法是（）。A.`{}`B.`[]`C.`set()`D.`()`答案：C解析：在Python中，`{}`表示空字典，`[]`表示空列表，`()`表示空元组。要创建一个空集合，必须使用`set()`函数。2.已知`df`是一个PandasDataFrame，要查看其前3行数据，应使用的正确方法是（）。A.`df.head()`B.`df.head(3)`C.`df.tail(3)`D.`df.iloc[:3]`答案：B解析：`df.head()`默认显示前5行，`df.head(3)`显示前3行。`df.tail(3)`显示后3行。`df.iloc[:3]`通过位置索引也能实现，但`head(3)`是更常用和直观的方法。3.NumPy中，用于计算数组元素标准差的函数是（）。A.`np.mean()`B.`np.var()`C.`np.std()`D.`np.median()`答案：C解析：`np.mean()`计算均值，`np.var()`计算方差，`np.std()`计算标准差，`np.median()`计算中位数。4.使用Matplotlib绘图时，`plt.subplot(2，2，3)`表示（）。A.创建一个2行2列的子图网格，并选择第3个子图（从左到右，从上到下计数）。B.创建一个2行2列的子图网格，并选择第3个子图（从右到左，从下到上计数）。C.创建一个2行3列的子图网格，并选择第2个子图。D.创建一个3行2列的子图网格，并选择第2个子图。答案：A解析：`plt.subplot(nrows，ncols，index)`中，`nrows`和`ncols`定义网格的行列数，`index`指定当前激活的子图位置，索引从1开始，按行优先（从左到右，从上到下）递增。5.在Pandas中，`df.dropna(axis=1，how='all')`语句的作用是（）。A.删除所有包含缺失值的行。B.删除所有包含缺失值的列。C.删除所有值均为缺失值的行。D.删除所有值均为缺失值的列。答案：D解析：`axis=1`表示操作对象是列（axis=0为行）。`how='all'`表示只有当该列所有值都是缺失值（NaN）时才删除。6.SQL查询语句中，用于对结果集进行分组的子句是（）。A.`ORDERBY`B.`WHERE`C.`GROUPBY`D.`HAVING`答案：C解析：`ORDERBY`用于排序，`WHERE`用于过滤行，`GROUPBY`用于分组，`HAVING`用于过滤分组。7.使用`scikit-learn`库的`train_test_split`函数分割数据集时，参数`test_size=0.2`表示（）。A.测试集占整个数据集的20%。B.训练集占整个数据集的20%。C.测试集样本数量为20个。D.训练集样本数量为20个。答案：A解析：`test_size`参数可以接收浮点数（如0.2）表示测试集占总数据集的比例，也可以接收整数表示测试集的绝对样本数。8.在Python中，以下哪个库主要用于处理日期和时间数据？（）A.`datetime`B.`time`C.`calendar`D.`pandas.tseries`答案：A解析：`datetime`模块是Python标准库中处理日期和时间的核心模块。`pandas`有更强大的时间序列处理能力，但`datetime`是基础。9.对于PandasSeries对象`s`，执行`s.value_counts()`返回的结果类型是（）。A.DataFrameB.SeriesC.ndarrayD.List答案：B解析：`value_counts()`方法返回一个Series，其索引是原Series中的唯一值，值是对应唯一值的出现次数，按次数降序排列。10.使用`scikit-learn`的`StandardScaler`进行数据标准化时，其目标是使数据（）。A.均值变为0，标准差变为1。B.最小值变为0，最大值变为1。C.中位数变为0，四分位距变为1。D.服从标准正态分布。答案：A解析：`StandardScaler`通过减去均值再除以标准差来进行标准化（Z-score标准化），处理后数据的均值为0，标准差为1。11.在Python中，用于从JSON格式字符串解析出Python对象的函数是（）。A.`json.dumps()`B.`json.loads()`C.`json.dump()`D.`json.load()`答案：B解析：`json.loads()`用于将JSON字符串解码为Python对象。`json.dumps()`用于将Python对象编码为JSON字符串。`json.load()`和`json.dump()`用于处理文件。12.在Pandas中，`df.merge(df1，df2，on='key'，how='left')`表示执行的是（）。A.内连接（innerjoin）B.左连接（leftjoin）C.右连接（rightjoin）D.外连接（outerjoin）答案：B解析：`how`参数指定连接方式。`'left'`表示左连接，以左边`df1`的`'key'`列为基准，保留所有行，匹配`df2`中对应的行。13.以下哪种数据结构在Python中是不可变的（immutable）？（）A.列表（list）B.字典（dict）C.集合（set）D.元组（tuple）答案：D解析：列表、字典、集合都是可变数据类型。元组一旦创建，其元素不能被修改、添加或删除，是不可变的。14.使用`scikit-learn`的`LinearRegression`模型进行训练后，用于获取模型截距（intercept）的属性是（）。A.`model.coef_`B.`ercept_`C.`model.score_`D.`model.params_`答案：B解析：在`scikit-learn`的线性回归模型中，`coef_`存储系数（斜率），`intercept_`存储截距。15.在NumPy中，`np.linspace(0，10，5)`生成的数组是（）。A.`[02.557.510]`B.`[012345678910]`C.`[01020304050]`D.`[0，2，4，6，8，10]`答案：A解析：`np.linspace(start，stop，num)`在指定的区间`[start，stop]`内生成`num`个均匀间隔的样本。`(10-0)/(5-1)=2.5`，所以数组为`[0，2.5，5，7.5，10]`。（二）多项选择题（每题2分，共5题，共10分。全部选对得2分，漏选得1分，错选或不选得0分）16.以下关于Pandas中数据清洗方法的描述，正确的有（）。A.`df.fillna(method='ffill')`可以用前一个有效值填充缺失值。B.`df.replace(to_replace=0，value=np.nan)`可以将所有0替换为缺失值。C.`df.duplicated()`可以检测并标记重复的行。D.`df.drop_duplicates(inplace=True)`可以直接在原DataFrame上删除重复行。答案：A，C，D解析：B选项错误在于，`df.replace(to_replace=0，value=np.nan)`会将所有等于0的值替换为NaN，但DataFrame中可能包含其他类型的0（如字符串'0'）或0.0，且默认不是全部替换所有0。更精确的表述是“将数值0替换为缺失值”。A、C、D描述均正确。17.在数据可视化中，以下哪些图表适合展示两个连续变量之间的关系？（）A.散点图（ScatterPlot）B.折线图（LineChart）C.热力图（Heatmap，用于相关性矩阵）D.箱线图（BoxPlot）答案：A，B，C解析：散点图直接展示两个连续变量的分布关系；折线图常用于展示一个连续变量随另一个连续变量（通常是时间或顺序）的变化趋势；相关性热力图通过颜色深浅展示两个变量间相关系数的大小。箱线图主要用于展示单个连续变量的分布，或比较不同类别下连续变量的分布，不直接展示两个连续变量的具体关系。18.以下属于`scikit-learn`中常用的模型评估指标的有（）。A.准确率（Accuracy）B.精确率（Precision）C.召回率（Recall）D.F1分数（F1-Score）E.均方误差（MeanSquaredError）答案：A，B，C，D，E解析：准确率、精确率、召回率、F1分数是分类问题的常用评估指标。均方误差（MSE）是回归问题的常用评估指标。它们都可以在`sklearn.metrics`模块中找到。19.关于Python的`with`语句，以下说法正确的有（）。A.用于简化资源管理（如文件操作）的代码。B.可以确保即使在发生异常时，资源也能被正确释放（如关闭文件）。C.其管理的对象必须实现上下文管理器协议（`__enter__`和`__exit__`方法）。D.只能用于文件操作。答案：A，B，C解析：`with`语句的核心优势是资源管理，确保退出代码块时执行清理操作。它适用于任何实现了上下文管理器协议的对象，如文件、锁、数据库连接等，并非仅限于文件操作。20.在NumPy中，以下哪些操作可以用于改变数组的形状？（）A.`arr.reshape()`B.`arr.resize()`C.`arr.flatten()`D.`arr.T`或`arr.transpose()`答案：A，B，C，D解析：`reshape`返回新形状的视图（如果可能）；`resize`直接修改数组本身形状；`flatten`将数组展平为一维；`.T`或`transpose()`进行数组转置，改变轴的顺序，也是一种形状改变。二、填空题（每空1分，共10空，共10分）21.在Python中，使用`open('file.txt'，'______')`模式打开文件可以进行读写，且不会清空原文件内容，文件指针置于开头。答案：r+22.在Pandas中，`df.______`属性可以查看DataFrame的索引、列名和非空值数量等基本信息。答案：info()23.假设有一个列表`lst=[1，2，3，4，5]`，使用列表推导式生成其平方列表的代码是`[x**2forxinlst]`，结果是`______`。答案：[1，4，9，16，25]24.在SQL中，用于从表`employees`中查询`salary`字段最大值的关键字函数是`______`。答案：MAX(salary)25.使用`scikit-learn`构建机器学习流程时，通常将数据集分为训练集和测试集，其目的是为了评估模型的`______`能力。答案：泛化26.在Matplotlib中，`plt.______()`函数用于在图表上添加图例。答案：legend27.Pandas中，`df.groupby('department')['salary'].______()`可以计算每个部门的平均工资。答案：mean28.在Python正则表达式模块`re`中，`______`方法用于在字符串中搜索匹配正则表达式的第一个位置。答案：re.search()或`search`29.在NumPy中，`np.______`函数用于创建所有元素为1的数组。答案：ones30.数据预处理中，将分类变量（如“男”、“女”）转换为数值型变量（如0，1）的常用技术称为`______`。答案：编码（Encoding），常见具体方法如“独热编码（One-HotEncoding）”或“标签编码（LabelEncoding）”也可算对，但“编码”是更通用的术语。三、简答题（每题5分，共4题，共20分）31.简述Pandas中`loc`和`iloc`索引器的区别。答案：`loc`是基于标签（label-based）的索引器，使用行和列的索引名称（indexlabelsandcolumnnames）进行数据选取。其切片范围包含起始和结束位置，例如`df.loc['a'：'c']`。`iloc`是基于整数位置（integerposition-based）的索引器，使用行和列的整数位置（从0开始）进行数据选取。其切片范围遵循Python的切片规则，包含起始位置，不包含结束位置，例如`df.iloc[0：3]`选取第0，1，2行。32.什么是过拟合（Overfitting）？列举两种在机器学习中防止过拟合的常用方法。答案：过拟合是指模型在训练数据上表现非常好，但在未见过的测试数据或新数据上表现显著下降的现象。模型过于复杂，学习了训练数据中的噪声和细节，导致泛化能力差。防止过拟合的常用方法包括：（1）获取更多的训练数据。（2）使用正则化技术（如L1，L2正则化）。（3）降低模型复杂度（如减少树模型的深度、减少神经网络的层数或神经元数量）。（4）使用交叉验证（Cross-Validation）进行模型选择。（5）集成方法，如随机森林（RandomForest）通过Bagging减少方差。（6）早停法（EarlyStopping，用于神经网络等迭代训练模型）。（答出任意两种即可）33.简述在Pandas中读取一个包含中文的CSV文件时，可能遇到的编码问题及解决方法。答案：问题：直接使用`pd.read_csv('file.csv')`读取包含中文的CSV文件时，可能会因编码不匹配导致中文字符显示为乱码。原因：CSV文件可能使用非UTF-8编码保存，如GBK，GB2312等。解决方法：在`read_csv`函数中指定正确的编码参数`encoding`。例如，如果文件是GBK编码，则使用`pd.read_csv('file.csv'，encoding='gbk')`。常见的编码还有`'utf-8'`，`'gb2312'`，`'ansi'`等。若不确定编码，可尝试使用`'utf-8'`，`'gbk'`，或用文本编辑器（如Notepad++）查看文件编码。34.解释SQL中`WHERE`子句和`HAVING`子句的区别。答案：`WHERE`子句用于在分组（`GROUPBY`）之前过滤行（记录）。它不能包含聚合函数（如SUM，COUNT），作用于单个行。`HAVING`子句用于在分组（`GROUPBY`）之后过滤分组。它通常与聚合函数一起使用，用于筛选满足特定条件的组。简单来说，`WHERE`过滤行，`HAVING`过滤组。四、应用题（共3题，共30分）35.【计算/分析题】（10分）给定一个PandasDataFrame`df_sales`，包含以下字段：`date`（日期，datetime类型），`product_id`（产品ID），`sales_volume`（销量），`revenue`（收入）。（1）请写出计算每个产品总销量的代码。（2）请写出计算2025年第一季度（1月1日至3月31日）日均收入的代码。（3）请写出按月份统计每月总收入，并按收入降序排列的代码。答案：```python#(1)计算每个产品总销量total_volume_per_product=df_sales.groupby('product_id')['sales_volume'].sum()#(2)计算2025年第一季度日均收入#首先筛选出2025年第一季度的数据q1_2025_mask=(df_sales['date']>='2025-01-01')&(df_sales['date']<='2025-03-31')df_q1_2025=df_sales.loc[q1_2025_mask]#计算日均收入daily_avg_revenue_q1=df_q1_2025['revenue'].sum()/df_q1_2025['date'].nunique()#方法1：总收入/唯一天数#或使用重采样方法（如果日期是索引）#daily_avg_revenue_q1=df_q1_2025.set_index('date')['revenue'].resample('D').sum().mean()#(3)按月统计总收入并降序排列#方法1：使用dt访问器提取月份年份，然后分组聚合df_sales['year_month']=df_sales['date'].dt.to_period('M')#或dt.strftime('%Y-%m')monthly_revenue=df_sales.groupby('year_month')['revenue'].sum().sort_values(ascending=False)#方法2：将日期设为索引后重采样#monthly_revenue=df_sales.set_index('date').resample('M')['revenue'].sum().sort_values(ascending=False)```36.【分析/综合题】（10分）你手头有一个关于某电商平台用户消费行为的数据集`df_users`，包含字段：`user_id`，`age`，`gender`，`city_level`（城市等级），`avg_order_value`（平均订单金额），`purchase_freq`（购买频率，次/月），`is_churned`（是否流失，1表示流失）。业务部门希望分析影响用户流失的关键因素。（1）从数据探索性分析（EDA）的角度，你会通过哪些步骤和可视化方法来初步了解数据与流失率的关系？（至少列出3种方法或图表）（2）假设你发现`avg_order_value`和`purchase_freq`与`is_churned`可能存在非线性关系，你计划建立一个预测用户流失的分类模型。除了逻辑回归，请再列举两种适合此场景的分类模型，并简要说明其可能优势。答案：（1）EDA步骤和可视化方法：单变量与目标关系分析：分别绘制`age`，`avg_order_value`，`purchase_freq`等连续变量在流失用户与非流失用户上的分布对比图，如使用箱线图或小提琴图。分类变量与目标关系分析：计算并可视化`gender`，`city_level`等分类变量在不同取值下的流失率，使用柱状图（每个柱子代表一个类别，高度代表该类别流失率）。相关性分析：计算数值型特征与`is_churned`标签之间的相关系数（如点二列相关），并绘制热力图。或使用`pandas_profiling`进行快速整体分析。多变量交叉分析：例如，使用散点图（可加入颜色维度表示是否流失）观察`avg_order_value`和`purchase_freq`两个变量与流失的关系。（答出任意三种即可，需结合具体字段描述）（2）两种分类模型及其可能优势：随机森林（RandomForest）：优势：能自动处理非线性关系，不需要复杂的特征工程（如对非线性关系的显式转换）。对异常值和缺失值不敏感。能评估特征重要性，有助于业务解释。梯度提升树（如XGBoost，LightGBM，CatBoost）：优势：通常具有更高的预测精度。能有效处理非线性关系。LightGBM和CatBoost对类别特征处理友好，训练速度快，适合表格数据。支持向量机（SVMwithRBFKernel）：优势：在高维空间中可以有效处理复杂的非线性决策边界。（答出任意两种即可，需简要说明优势）37.【综合/分析题】（10分）阅读以下Python代码片段，该代码旨在从一个模拟的销售数据列表中提取信息并计算指标。请分析代码，回答后续问题。```pythonsales_data=[{'region'：'North'，'product'：'A'，'amount'：100}，{'region'：'North'，'product'：'B'，'amount'：150}，{'region'：'South'，'product'：'A'，'amount'：200}，{'region'：'South'，'product'：'A'，'amount'：120}，{'region'：'East'，'product'：'C'，'amount'：300}，]#目标：计算每个区域（region）的总销售额（amount）region_total={}forrecordinsales_data：region=record.get('region')amount=record.get('amount'，0)#假设amount字段可能缺失，默认为0ifregionnotinregion_total：region_total[region]=0region_total[region]+=amountprint("区域总销售额："，region_total)#问题：找出销售额最高的区域ifregion_total：top_region=max(region_total，key=region_total.get)print(f"销售额最高的区域是：{top_region}，销售额为：{region_total[top_region]}")else：print("无销售数据")```（1）如果`sales_data`列表中添加一条新记录：`{'region'：'North'，'product'：'A'，'amount'：None}`，上述代码在运行时可能会遇到什么问题？如何修改代码以稳健地处理这种情况？（2）除了使用循环和字典手动聚合，请使用Pandas库重写上述功能，实现相同的计算目标（计算各区域总销售额并找出最高区域）。答案：（1）问题：当`amount`为`None`时，`record.get('amount'，0)`会返回`None`（因为`get`方法只对键不存在时返回默认值，而键存在但值为`None`时仍返回`None`）。在`region_total[region]+=amount`这一行，尝试将`None`与整数相加会导致`TypeError：unsuppo