2026年Python数据分析期末试题及答案

2026年Python数据分析期末试题及答案一、单项选择题（本大题共15小题，每小题2分，共30分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.在Python数据分析中，NumPy库的核心数据结构是ndarray。关于ndarray的属性，下列说法正确的是（）A.ndarray的形状属性是`shape`，返回一个表示数组维度的元组B.ndarray的数据类型属性是`type`，返回该数组的数据类型名称C.ndarray的维度属性是`ndim`，返回数组中元素的总个数D.ndarray的大小属性是`size`，返回数组的维度数目2.在Pandas中，创建一个DataFrame对象时，如果希望指定某一列作为行索引，应使用的参数是（）A.`columns`B.`index`C.`index_col`D.`set_index`3.某电商平台的销售数据存储在CSV文件中，包含部分缺失值。若使用Pandas读取该文件并希望将缺失值自动填充为0，下列代码片段正确的是（）A.`pd.read_csv('sales.csv',na_values=0)`B.`pd.read_csv('sales.csv',fillna=0)`C.`df=pd.read_csv('sales.csv');df.fillna(0,inplace=True)`D.`pd.read_csv('sales.csv',na_fill=0)`4.在Pandas中，对于一个包含时间序列数据的DataFrame`df`，其索引为日期类型。若需要对该数据进行降采样，将频率从每天转换为每月，并计算每月的均值，下列代码正确的是（）A.`df.resample('D').mean()`B.`df.resample('M').mean()`C.`df.groupby('M').mean()`D.`df.rolling('M').mean()`5.在数据预处理阶段，经常需要删除DataFrame中包含过多缺失值的行。若要求删除“某行中非缺失值数量小于3”的行，应使用的代码是（）A.`df.dropna(thresh=3)`B.`df.dropna(how='any',thresh=3)`C.`df.dropna(subset=3)`D.`df.dropna(axis=1,thresh=3)`6.使用Matplotlib绘制散点图时，若需要展示数据点的分布密度，可以通过调整数据点的透明度来实现。控制透明度的参数是（）A.`alpha`B.`linewidth`C.`marker`D.`edgecolor`7.在Scikit-learn中，用于将数据集划分为训练集和测试集的函数是`train_test_split`。若希望测试集占总数据集的30%，且保证每次划分结果相同，下列参数设置正确的是（）A.`test_size=0.3,shuffle=False`B.`test_size=0.3,random_state=42`C.`test_size=30,random_state=42`D.`test_size=0.3,stratify=True`8.在评估回归模型的性能时，均方误差（MSE）是一个常用的指标。下列关于MSE的描述中，正确的是（）A.MSE的值越小，说明模型的拟合效果越差B.MSE对异常值非常敏感，因为其计算了误差的平方C.MSE的计算公式为|D.MSE的取值范围是[0,1]9.在Pandas中，关于`merge`、`join`和`concat`三种合并操作的说法，错误的是（）A.`merge`主要用于根据一个或多个键将两个DataFrame连接起来，类似于SQL中的JOINB.`join`默认根据索引进行合并C.`concat`可以沿着行或列的方向将多个DataFrame拼接在一起D.`merge`和`join`的功能完全等价，可以互相替换10.在进行特征工程时，如果某个特征的方差非常小（即该列数据几乎相同），该特征对机器学习模型的训练通常没有太大帮助。Scikit-learn中用于删除低方差特征的类是（）A.`StandardScaler`B.`VarianceThreshold`C.`SelectKBest`D.`PCA`11.假设有一个PandasSeries对象`s`，其内容为`[1,2,3,4,5]`。现需要将其所有元素进行Z-score标准化（即转换为均值为0，标准差为1的分布），下列操作正确的是（）A.`(s-s.mean())/s.std()`B.`(s-s.min())/(s.max()-s.min())`C.`s/s.sum()`D.`(s-s.median())/s.var()`12.在使用Pandas进行分组聚合时，如果希望对不同的列应用不同的聚合函数，应使用的代码形式是（）A.`df.groupby('key').agg({'col1':'mean','col2':'sum'})`B.`df.groupby('key').apply({'col1':'mean','col2':'sum'})`C.`df.groupby('key').transform({'col1':'mean','col2':'sum'})`D.`df.groupby('key').mean({'col1':'mean','col2':'sum'})`13.在Python中，用于处理大规模数据的库Dask的设计初衷是为了解决Pandas在处理单机内存无法容纳的数据集时的瓶颈。关于Dask，下列说法错误的是（）A.Dask的DataFrameAPI在语法上与Pandas高度相似B.Dask采用延迟计算机制，只有在调用`compute()`时才会真正执行计算C.Dask仅能处理结构化数据，无法处理非结构化数据D.Dask可以在单机上进行多线程/多进程计算，也可以扩展到多节点集群14.在时间序列分析中，平稳性是一个重要前提。下列哪种方法常用于检验时间序列的平稳性？（）A.Jarque-Bera检验B.AugmentedDickey-Fuller(ADF)检验C.Durbin-Watson检验D.Breusch-Pagan检验15.在Scikit-learn中构建机器学习Pipeline（管道）时，若中间步骤需要进行特征降维，下列类可以直接放入Pipeline中的是（）A.`numpy.linalg.svd`B.`sklearn.decomposition.PCA`C.`pandas.DataFrame.drop`D.`scipy.stats.pca`二、多项选择题（本大题共5小题，每小题3分，共15分。在每小题给出的四个选项中，至少有两个选项是符合题目要求的，多选、漏选或错选均不得分）1.在Python的数据科学生态系统中，常用的数据可视化库包括（）A.MatplotlibB.SeabornC.PlotlyD.TensorFlow2.在Pandas中，关于缺失值处理的描述，正确的有（）A.`df.isnull()`用于判断DataFrame中的元素是否为缺失值，返回布尔型DataFrameB.`df.dropna()`默认会删除所有包含缺失值的行C.`df.fillna(method='ffill')`表示使用前一个有效值来填充缺失值D.可以使用`erpolate()`通过线性插值等方法填充缺失值3.在构建机器学习模型时，防止过拟合的常用策略包括（）A.增加训练数据的样本量B.使用正则化技术（如L1、L2正则化）C.减少模型的复杂度（如降低多项式特征的阶数、限制决策树的深度）D.采用K折交叉验证来评估模型4.关于NumPy中的广播机制，下列说法正确的有（）A.广播机制允许NumPy在执行算术运算时处理不同形状的数组B.当两个数组的维度不同时，NumPy会自动在较小的数组前面补1，直到维度相同C.如果两个数组在某个维度上的长度不相同，且其中一个不为1，则无法进行广播D.广播机制会实际分配内存来复制数组，因此会大量消耗内存5.在数据分析项目中，数据清洗通常包含以下哪些步骤？（）A.处理重复数据B.处理缺失值和异常值C.数据类型转换D.字符串处理与特征编码三、填空题（本大题共10小题，每小题2分，共20分。请将答案填写在横线上）1.NumPy中生成一个形状为3行4列、元素全为1的二维数组的函数是__________。2.在Pandas中，若要查看DataFrame`df`的前10行数据，应使用的代码是`df.__________(10)`。3.Pandas中用于将DataFrame保存为Excel文件的函数是`to_excel`，若要保存为CSV文件，应使用函数`__________`。4.在Matplotlib中，若要在同一个画布上绘制2行2列共4个子图，通常使用`plt.__________(2,2,index)`函数。5.在Python中，用于持久化模型或对象的库是`pickle`，Scikit-learn中也提供了`joblib`库，其保存模型的方法是`joblib.__________(model,'model.pkl')`。6.在Pandas中，若要对某列数据进行分箱操作，例如将年龄划分为不同的区间，可以使用`pd.__________`函数。7.假设有一个列表`data=[1,2,2,3,3,3,4]`，若要计算其众数，可以使用Scipy库中的`stats.__________(data)`方法。8.在Scikit-learn的线性回归模型中，拟合数据使用的方法是`fit`，预测数据使用的方法是`__________`。9.在Pandas中，提取DataFrame中满足特定条件的行（例如提取列`A`大于5的所有行），这种操作称为__________索引。10.在Scikit-learn中，主成分分析（PCA）是一种常用的无监督降维方法，其实例化对象后，用来指定保留主成分个数的参数是`__________`。四、简答题（本大题共4小题，每小题10分，共40分）1.简述Pandas中`loc`和`iloc`切片索引器的区别，并分别给出一个代码示例说明其用法。2.什么是特征工程中的独热编码？它在机器学习中有什么作用？请说明在Pandas或Scikit-learn中如何实现独热编码。3.简述K折交叉验证的原理及其在机器学习模型评估中的优势。4.在数据可视化中，箱线图是一种常用的统计图。请说明箱线图的五个主要组成部分，并解释如何通过箱线图识别数据中的异常值。五、综合应用题（本大题共3小题，每小题15分，共45分。要求写出核心代码及必要的分析步骤，涉及计算或公式部分需使用标准LaTeX公式表达）1.某在线教育平台的用户学习记录数据存储在名为`user_study.csv`的文件中，数据集包含以下字段：`user_id`（用户ID）、`course_name`（课程名称）、`study_duration`（学习时长，分钟）、`date`（学习日期）。由于系统故障，数据中存在重复记录和部分缺失值。请编写Pandas代码完成以下数据处理任务：（1）读取数据，并删除完全重复的行记录。（2）对于`study_duration`列的缺失值，使用该列的中位数进行填充。（3）将`date`列转换为日期时间类型。（4）假设当前日期为2026年1月1日，请计算每位用户的总学习时长，并筛选出总学习时长大于500分钟的用户，输出结果按总学习时长降序排列。2.在机器学习回归问题中，假设我们有真实值集合y=[,请回答以下问题：（1）写出均方误差（MSE）和决定系数（）的数学计算公式。（2）解释取值的含义，并说明当为负数时意味着什么。（3）给定真实值y=[3,−3.在构建鸢尾花（Iris）分类模型时，需要使用Scikit-learn库完成从数据加载到模型评估的完整流程。已知Iris数据集包含4个特征和3个类别。请编写代码完成以下任务：（1）加载Iris数据集，并将其划分为训练集和测试集（测试集占比20%，设置`random_state=42`保证结果可复现）。（2）对特征数据进行标准化处理。（3）使用支持向量机（SVM）作为分类器，构建一个包含标准化和SVM的Pipeline管道。（4）在测试集上进行预测，并输出分类报告，要求包含精确率、召回率和F1分数。参考答案及解析一、单项选择题1.【答案】A【解析】`shape`返回表示数组维度的元组；`dtype`返回数据类型；`size`返回数组元素总个数；`ndim`返回维度数目。2.【答案】C【解析】`pd.read_csv`中的`index_col`参数可以指定将哪一列作为行索引。`set_index`是在读取数据后用于设置索引的方法，不是创建时的参数。3.【答案】C【解析】`pd.read_csv`本身没有在读取时直接填充为0的参数。`na_values`用于指定哪些值被视为缺失值。读取后使用`fillna(0,inplace=True)`可以原地替换缺失值为0。4.【答案】B【解析】`resample('M')`表示按月重采样，随后调用`.mean()`计算每月均值。`resample('D')`是按天，`rolling`用于滑动窗口计算，`groupby`通常用于普通列分组。5.【答案】A【解析】`thresh=3`表示保留至少有3个非缺失值的行，即非缺失值数量小于3的行会被删除。6.【答案】A【解析】`alpha`参数控制透明度，取值范围0到1。`linewidth`控制线宽，`marker`控制标记样式，`edgecolor`控制边缘颜色。7.【答案】B【解析】`test_size=0.3`表示测试集占30%，`random_state=42`设置随机种子保证划分可复现。8.【答案】B【解析】MSE是误差平方的均值，因此对异常值敏感。其公式为(，MSE越小模型越好，取值范围理论上为[09.【答案】D【解析】`merge`和`join`功能并不完全等价，`merge`更灵活，允许指定列连接，`join`默认基于索引连接。10.【答案】B【解析】`VarianceThreshold`是特征选择中的方差阈值法，用于移除低方差特征。`StandardScaler`用于标准化，`SelectKBest`用于选择K个最佳特征，`PCA`是主成分分析降维。11.【答案】A【解析】Z-score标准化公式为(X12.【答案】A【解析】`agg`方法允许传入一个字典，键为列名，值为聚合函数字符串或列表，实现对不同列应用不同聚合操作。13.【答案】C【解析】Dask不仅可以处理结构化数据，还提供了处理非结构化数据和通用计算任务的接口，如DaskBag和DaskDelayed。14.【答案】B【解析】ADF检验（AugmentedDickey-Fullertest）是时间序列分析中检验序列平稳性的常用方法。A检验正态性，C检验自相关，D检验异方差性。15.【答案】B【解析】Scikit-learn的Pipeline要求中间步骤是实现`fit`和`transform`方法的转换器对象，`PCA`符合此要求。其他选项不是标准的Scikit-learn转换器。二、多项选择题1.【答案】ABC【解析】Matplotlib、Seaborn和Plotly都是Python中常用的数据可视化库。TensorFlow是深度学习框架。2.【答案】ABCD【解析】`isnull()`判断缺失值，`dropna()`默认删除含缺失值的行，`fillna(method='ffill')`前向填充，`interpolate()`用于插值填充。3.【答案】ABCD【解析】增加数据量、正则化、降低模型复杂度、交叉验证均是常用的防止过拟合的策略。4.【答案】ABC【解析】广播机制允许不同形状的数组进行运算，不会实际复制数据分配内存，因此内存消耗很小，D项错误。5.【答案】ABCD【解析】数据清洗通常包括处理重复数据、缺失值、异常值、数据类型转换以及字符串处理与特征编码。三、填空题1.`np.ones((3,4))`2.`head`3.`to_csv`4.`subplot`5.`dump`6.`cut`7.`mode`8.`predict`9.布尔10.`n_components`四、简答题1.【参考答案】`loc`和`iloc`都是Pandas中用于索引和切片数据的方法，主要区别在于：（1）`loc`是基于标签的索引器，它使用行标签和列标签来进行切片，切片时包含末尾的标签。（2）`iloc`是基于整数位置的索引器，它使用从0开始的整数位置进行切片，切片时包含起始位置但不包含末尾位置（类似Python原生列表切片）。示例代码：```pythonimportpandasaspddf=pd.DataFrame({'A':[10,20,30]},index=['a','b','c'])#loc使用标签，包含'b'print(df.loc['a':'b'])#iloc使用位置，不包含索引2的行print(df.iloc[0:1])```2.【参考答案】独热编码是将分类变量转换为若干个二进制列的过程，每个二进制列对应分类变量的一个可能取值。如果原始取值出现，则对应列置为1，否则置为0。作用：许多机器学习算法（如线性回归、SVM等）无法直接处理非数值型的类别特征。直接将类别映射为整数（如1,2,3）可能会引入不存在的数值大小关系。独热编码能够消除这种偏序关系，使模型正确处理无序的分类特征。实现方法：在Pandas中，可以使用`pd.get_dummies(data,columns=['category_col'])`实现。在Scikit-learn中，可以使用`sklearn.preprocessing.OneHotEncoder`类进行拟合和转换。3.【参考答案】原理：K折交叉验证将数据集划分为大小相等的K个子集（折叠）。每次选取其中一个子集作为测试集，其余K-1个子集作为训练集，训练模型并在测试集上评估。重复该过程K次，使得每个子集都恰好作为一次测试集。最终的评估指标为K次评估结果的平均值。优势：充分利用有限的数据资源，避免了单次划分可能带来的偶然性误差。通过多次划分与评估，能够更客观、稳健地反映模型在未知数据上的泛化能力，减少过拟合评估指标偏差的风险。4.【参考答案】箱线图的五个主要组成部分为：（1）箱体：上边缘代表上四分位数（Q3），下边缘代表下四分位数（Q（2）中位数线：箱体内部的横线代表数据的中位数（Q2（3）须：从箱体上下边缘延伸出的线段，通常代表数据的正常范围上下限。（4）异常值点：超出须范围的离散点。（5）最大值和最小值（须的端点）。异常值识别方法：通常定义异常值的判定边界为：下限=Q上限=Q其中IQ五、综合应用题1.【参考答案】```pythonimportpandasaspdimportnumpyasnp#（1）读取数据，并删除完全重复的行记录df=pd.read_csv('user_study.csv')df.drop_duplicates(inplace=True)#（2）对于study_duration列的缺失值，使用该列的中位数进行填充median_duration=df['study_duration'].median()df['study_duration'].fillna(median_duration,inplace=True)#（3）将date列转换为日期时间类型df['date']=pd.to_datetime(df['date'])#（4）计算每位用户的总学习时长，筛选大于500分钟的用户并降序排列result=df.groupby('user_id')['study_duration'].sum().reset_index()result=result[result['study_duration']>500]result.sort_values(by='study_duration',ascending=False,inplace=True)print(result)```2.【参考答案】（1）均方误差（MSE）和决定系数（）的数学计算公式如下：均方误差：M决定系数：=其中，n为样本总数，为真实值，为预测值，¯y为