2026年Python数据分析能力提升培训试卷(含答案)

2026年Python数据分析能力提升培训试卷(含答案)一、单项选择题（本大题共15小题，每小题2分，共30分。在每小题列出的四个备选项中只有一个是符合题目要求的，请将其代码填在题后的括号内。）1.在Python的数据分析生态系统中，用于提供高性能多维数组对象及其相关工具的基础库是（）。A.PandasB.NumPyC.MatplotlibD.Scikit-learn2.使用Pandas库读取CSV文件时，默认返回的数据结构类型是（）。A.SeriesB.DataFrameC.ndarrayD.Panel3.若要查看DataFrame对象df的前5行数据，应使用的方法是（）。A.df.head(5)B.df.top(5)C.df.first(5)D.df.preview(5)4.在NumPy中，创建一个3行4列的所有元素都为0的数组，正确的代码是（）。A.np.zeros(3,4)B.np.zeros((3,4))C.np.zeros([3,4])D.np.zero(3,4)5.Pandas中用于处理时间序列的主要对象是（）。A.DatetimeIndexB.PeriodIndexC.TimedeltaD.Timestamp6.在进行数据清洗时，若要删除DataFrame中包含缺失值的行，通常使用的参数配置是（）。A.df.dropna(axis=0)B.df.dropna(axis=1)C.df.fillna(0)D.df.isnull()7.下列关于DataFrame中`loc`和`iloc`索引器的描述，正确的是（）。A.loc是基于位置的索引，iloc是基于标签的索引B.loc是基于标签的索引，iloc是基于位置的索引C.两者都可以混合使用标签和位置D.两者在性能上没有区别8.使用Matplotlib绘制折线图时，用于设置图表标题的函数是（）。A.plt.xlabel()B.plt.ylabel()C.plt.title()D.plt.legend()9.在Pandas中，两个DataFrame进行横向拼接（按列合并）时，通常使用的函数是（）。A.merge()B.join()C.concat()D.append()10.若要计算DataFrame中某列数据的标准差，默认使用的方法是（）。A.mean()B.median()C.std()D.var()11.在Seaborn库中，用于绘制单变量分布图的常用函数是（）。A.sns.scatterplot()B.sns.barplot()C.sns.histplot()D.sns.heatmap()12.Pandas中`groupby`操作后，若要对分组数据进行多个聚合计算（如同时求和与均值），应使用的方法是（）。A..agg()B..apply()C..transform()D..filter()13.在NumPy数组运算中，广播机制的核心规则是（）。A.所有数组的维度必须完全相同B.维度从尾部开始对齐，维度为1或缺失的可以扩展C.维度必须从头部开始对齐D.只有一维数组可以广播14.使用Scikit-learn进行数据预处理时，用于将数值特征标准化到0均值和单位方差的是（）。A.MinMaxScalerB.StandardScalerC.NormalizerD.RobustScaler15.下列哪种情况适合使用`pd.pivot_table`而不是`pd.groupby`？（）A.只需要简单的分组求和B.需要计算多重索引的分组统计C.需要将长格式数据转换为宽格式数据，并指定特定的行列索引及填充值D.需要对时间序列进行重采样二、多项选择题（本大题共10小题，每小题3分，共30分。在每小题列出的五个备选项中至少有两个是符合题目要求的，请将其代码填在题后的括号内。多选、少选、错选均不得分。）1.下列属于Python数据分析常用第三方库的有（）。A.SciPyB.StatsmodelsC.TensorFlowD.PyTorchE.Requests2.Pandas的DataFrame对象可以由以下哪些数据结构创建？（）A.字典B.列表C.NumPy数组D.另一个DataFrameE.Series对象3.处理缺失值时，常见的策略包括（）。A.删除缺失值B.均值/中位数填充C.众数填充D.前向填充或后向填充E.插值法填充4.关于Matplotlib的pyplot模块，下列说法正确的有（）。A.是Matplotlib的基于状态的接口B.通常别名为pltC.可以自动创建Figure和Axes对象D.无法在JupyterNotebook中直接显示图片E.plt.subplots()可以创建包含多个子图的图表5.Pandas中进行数据合并时，merge函数的how参数支持的模式包括（）。A.leftB.rightC.outerD.innerE.cross6.NumPy数组的切片操作与Python列表的切片操作相比，具有哪些特点？（）A.返回的是原数组的视图而非副本B.支持多维切片C.切片操作不会占用额外的内存空间D.修改切片会影响原数组E.切片语法完全不同7.在使用Seaborn绘制热力图时，通常需要关注的参数或属性有（）。A.data（传入的数据矩阵）B.annot（是否显示数值）C.cmap（对颜色映射）D.linewidths（格线宽度）E.orient（方向，注意heatmap通常不需要此参数）8.下列关于时间序列数据处理的描述，正确的有（）。A.pd.to_datetime()可以将字符串转换为时间戳B.resample()用于时间频率的重采样C.rolling()用于计算滚动窗口统计量D.shift()用于数据滞后或超前移动E.时间序列索引必须是唯一的9.Scikit-learn库的主要模块包含（）。A.sklearn.cluster（聚类）B.sklearn.decomposition（降维）C.sklearn.linear_model（线性模型）D.sklearn.model_selection（模型选择）E.sklearn.datasets（数据集）10.在进行数据特征工程时，常见的操作有（）。A.特征二值化B.独热编码C.特征离散化D.特征交叉E.异常值检测与处理三、填空题（本大题共10小题，每小题2分，共20分。请将答案填在题中的横线上。）1.在JupyterNotebook中，若要使Matplotlib绘制的图形直接嵌入在单元格下方显示，通常需要使用魔法命令：________。2.Pandas中，用于将宽格式数据转换为长格式数据的函数是________。3.NumPy中，用于计算两个数组的点积（内积）的函数是________。4.若要获取DataFrame的列名列表，可以通过访问其________属性来实现。5.在正则表达式处理中，Pandas的Series对象提供了________方法，用于提取匹配到的字符串组。6.Matplotlib中，若要保存当前图形为图片文件，应使用________函数。7.在Pandas中，若要根据列值的大小将数据分为不同的区间，可以使用________函数或________函数。8.Seaborn是基于Matplotlib开发的，它主要提供了更高级的API和更美观的________。9.使用Scikit-learn划分训练集和测试集的函数位于sklearn.model_selection模块中，该函数名为________。10.四分位距（IQR）是描述数据离散程度的指标，计算公式为上四分位数（Q3）减去________。四、简答题（本大题共5小题，每小题6分，共30分。）1.请简述Pandas中`apply`函数与`map`函数的主要区别及适用场景。2.在数据分析中，什么是数据泄露？请举例说明在特征工程或模型训练中如何避免数据泄露。3.解释NumPy中的视图与副本的概念，并说明它们在内存管理上的影响。4.请列举至少三种评估回归模型性能的指标，并简要说明其含义。5.在使用Matplotlib进行绘图时，什么是面向对象绘图？它与Pyplot状态机接口相比有什么优势？五、应用题（本大题共5小题，共80分。请写出详细的代码或分析步骤。）1.（15分）数据加载与基础分析。假设有一个名为`sales_data.csv`的文件，包含以下列：`Date`（日期字符串），`Product`（产品名称），`Region`（地区），`Amount`（销售额）。请编写Python代码完成以下任务：(1)读取数据，并将`Date`列转换为Pandas的时间格式，将其设为索引。(2)计算每个地区的总销售额，并找出销售额最高的地区。(3)计算每个产品的平均销售额，并按降序排列。2.（15分）数据清洗与预处理。给定一个DataFrame`df`，其中包含数值型列`Age`和`Salary`，以及类别型列`City`。数据中存在以下问题：(1)`Age`列中存在负值，显然是异常值。(2)`Salary`列存在缺失值。(3)`City`列存在大小写不统一的情况（如"Beijing","beijing"）。请编写代码进行清洗：将`Age`列中的负值替换为该列的中位数。使用`Salary`列的均值填充缺失值。将`City`列统一转换为首字母大写格式。3.（15分）数据合并与重塑。有两个DataFrame：`df1`包含员工信息：`EmpID`，`Name`，`DeptID`。`df2`包含部门信息：`DeptID`，`DeptName`，`Location`。另外有一个`df3`包含员工薪资：`EmpID`，`Year`，`Salary`。请编写代码：(1)将`df1`和`df2`进行左连接，保留所有员工信息，匹配部门名称。(2)将(1)的结果与`df3`进行合并，要求保留所有员工的所有年份薪资记录（即使某些员工没有部门信息）。(3)使用透视表将最终结果重塑为：行是员工姓名，列是年份，值是薪资。4.（15分）数据可视化。某电商网站拥有用户行为日志数据，包含`User_ID`，`Action_Time`，`Action_Type`（浏览、收藏、加购、购买）。请利用Matplotlib和Seaborn编写代码：(1)统计每种行为类型的次数，并绘制水平条形图。(2)提取`Action_Time`的小时信息，统计一天24小时内用户活跃度（总行为次数）的变化趋势，并绘制折线图，标记出活跃度最高的时间点。(3)绘制一个2x2的子图布局，分别展示四种行为类型在24小时内的分布曲线。5.（20分）综合分析案例。现有一份`tips`数据集（Seaborn内置），包含餐厅小费数据，字段为：`total_bill`（总账单），`tip`（小费），`sex`（性别），`smoker`（是否吸烟），`day`（星期几），`time`（午餐/晚餐），`size`（就餐人数）。请完成以下分析任务：(1)加载数据，并添加一列`tip_rate`（小费率=tip/total_bill）。(2)分析吸烟者与非吸烟者在小费率上是否有差异（计算分组均值）。(3)分析不同就餐人数与小费金额之间的关系，使用相关系数进行度量。(4)使用`groupby`和`agg`函数，统计每天、每顿饭的平均账单金额和小费金额。(5)筛选出账单金额超过90%分位数的“高消费”记录，分析这部分记录中，性别和吸烟情况的分布。参考答案一、单项选择题1.B2.B3.A4.B5.A6.A7.B8.C9.C10.C11.C12.A13.B14.B15.C二、多项选择题1.AB2.ABCDE3.ABCDE4.ABCE5.ABCDE6.ABCD7.ABCD8.ABCDE9.ABCDE10.ABCDE三、填空题1.%matplotlibinline2.pd.melt3.np.dot4.columns5.str.extract6.plt.savefig(或savefig)7.pd.cut,pd.qcut8.默认样式9.train_test_split10.下四分位数（Q1）四、简答题1.答：`map`：主要用于Series对象，它将元素到元素的映射应用于整个Series，通常用于替换值或应用单参数函数。`apply`：既可以用于Series也可以用于DataFrame。用于Series时，它既可以接受元素级函数也可以接受返回聚合值的函数；用于DataFrame时，默认是对列进行操作（axis=0），也可以对行操作（axis=1），灵活性更高，适合处理复杂的逻辑。区别：`map`仅限于Series，且主要是逐元素操作；`apply`更通用，支持更复杂的自定义逻辑，且在DataFrame上可按轴操作。2.答：数据泄露是指在模型训练过程中，使用了在预测时无法获取的数据信息，导致评估指标虚高，但模型在实际应用中效果很差。举例：在数据划分之前，对整个数据集进行了缺失值填充（用全局均值）或标准化处理，这导致测试集的信息通过统计量泄露到了训练集中。避免方法：必须先划分训练集和测试集，然后仅利用训练集的统计量（如均值、标准差）对训练集进行拟合，并将同样的变换应用到测试集上。例如使用Scikit-learn的Pipeline。3.答：视图：是原数据的引用，不占用新的内存空间。对视图的修改会直接反映到原数组上。切片操作通常返回视图。副本：是原数据的完整拷贝，占用新的内存空间。对副本的修改不会影响原数组。使用`.copy()`方法显式生成副本。影响：使用视图可以节省内存和提高性能，但在不希望修改原数据的场景下容易引入Bug；使用副本更安全，但在处理大数据时内存开销大。4.答：均方误差（MSE）：预测值与真实值差值的平方和的平均值，衡量预测误差的大小。均方根误差（RMSE）：MSE的平方根，单位与原数据一致，更直观。平均绝对误差（MAE）：预测值与真实值差值绝对值的平均，对异常值不敏感。R平方（R²）：决定系数，衡量模型对数据变动的解释比例，越接近1拟合越好。5.答：面向对象绘图：显式地创建Figure（画布）和Axes（坐标系）对象，然后在这些对象上调用绘图方法（如`ax.plot()`）。优势：更精细的控制：可以精确控制每个子图的位置、大小和属性。适合复杂图表：在绘制包含多个子图的复杂图表时，代码结构更清晰，不易混淆。可扩展性：便于封装成函数进行复用。五、应用题1.解题代码：```pythonimportpandasaspd#(1)读取数据并处理日期df=pd.read_csv('sales_data.csv')df['Date']=pd.to_datetime(df['Date'])df.set_index('Date',inplace=True)#(2)计算地区总销售额并找最大region_sales=df.groupby('Region')['Amount'].sum()top_region=region_sales.idxmax()print(f"销售额最高的地区:{top_region},金额:{region_sales.max()}")#(3)计算产品平均销售额并排序product_avg_sales=df.groupby('Product')['Amount'].mean().sort_values(ascending=False)print(product_avg_sales)```2.解题代码：```pythonimportpandasaspdimportnumpyasnp#假设df已存在#(1)处理Age负值age_median=df['Age'].median()#将负值替换为NaN，再填充中位数，或者直接使用where/locdf.loc[df['Age']<0,'Age']=np.nandf['Age'].fillna(age_median,inplace=True)#(2)填充Salary缺失值salary_mean=df['Salary'].mean()df['Salary'].fillna(salary_mean,inplace=True)#(3)City列首字母大写#使用str.title()会将每个单词首字母大写，str.capitalize()仅第一个单词首字母大写#这里假设城市名单词，使用str.capitalize()或自定义处理df['City']=df['City'].str.capitalize()print(df.head())```3.解题代码：```pythonimportpandasaspd#构造示例数据#df1=...#df2=...#df3=...#(1)df1左连接df2merged_dept=pd.merge(df1,df2,on='DeptID',how='left')#(2)结果与df3合并，保留所有薪资记录#df3中可能有EmpID不在df1中的，或者df1中没有DeptID的#题目要求保留所有员工的所有年份薪资记录#第一步已经保留了所有员工，现在合并薪资full_data=pd.merge(merged_dept,df3,on='EmpID',how='outer')#注意：如果要求保留所有员工（包括没薪资的），how='left'相对于merged_dept#如果还要保留df3中存在但df1不存在的（即孤儿薪资），用how='outer'#此处假设基于(1)的结果继续保留所有员工信息，匹配薪资full_data=pd.merge(merged_dept,df3,on='EmpID',how='left')#(3)透视表pivot_result=full_data.pivot_table(index='Name',columns='Year',values='Salary',aggfunc='sum')print(pivot_result)```4.解题代码：```pythonimportpandasaspdimportmatplotlib.pyplotaspltimportseabornassns#假设df已加载，Action_Time已转为datetime#df['Action_Time']=pd.to_datetime(df['Action_Time'])#(1)行为类型水平条形图action_counts=df['Action_Type'].value_counts()plt.figure(figsize=(10,6))sns.barplot(x=action_counts.values,y=action_counts.index,orient='h')plt.title('UserActionCounts')plt.xlabel('Count')plt.show()#(2)24小时活跃度折线图df['Hour']=df['Action_Time'].dt.hourhourly_counts=df.groupby('Hour').size()plt.figure(figsize=(12,6))plt.plot(hourly_counts.index,hourly_counts.values,marker='o')max_hour=hourly_counts.idxmax()plt.scatter([max_hour],[hourly_counts[max()],color='red')plt.annotate(f'Peak:{max_hour}:00',xy=(max_hour,hourly_counts[max()]),xytext=(max_hour+1,hourly_counts[max()]),arrowprops=dict(facecolor='black',shrink=0.05))plt.title('UserActivitybyHour')plt.xlabel('HourofDay')plt.ylabel('ActivityCount')plt.grid(True)plt.show()#(3)2x2子图展示四种行为分布actions=df['Action_Type'].unique()fig,axes=plt.subplots(2,2,figsize=(15,10))axes=axes.ravel()fori,actioninenumerate(actions):subset=df[df['Action_Type']==action]counts=subset.groupby('Hour').size()sns.lineplot(x=counts.index,y=counts.values,ax=axes[i])axes[i].set_title(f'{action}TrendbyHour')axes[i].set_xlabel('Hour')axes[i].set_ylabel('Count')plt.tight_layout()plt.show()```5.综合分析代码：```pythoni