2025年統(tǒng)計學期末考試題庫-Python數據分析實踐試題考試時間：______分鐘總分：______分姓名：______一、單項選擇題（本部分共20小題，每小題2分，共40分。在每小題列出的四個選項中，只有一項是最符合題目要求的。請將正確選項字母填在題后的括號內。）1.在Python中，以下哪個庫主要用于數據分析和處理？A.MatplotlibB.PandasC.NumPyD.Scikit-learn2.下列哪個函數可以用來讀取CSV文件？A.read_excel()B.read_csv()C.read_sql()D.read_json()3.在Pandas中，如何對DataFrame進行排序？A.sort()B.order()C.sort_values()D.arrange()4.如何檢查DataFrame中是否存在缺失值？A.isnull()B.notnull()C.empty()D.nan()5.在Pandas中，如何選擇DataFrame中的特定列？A.df['column_name']B.df(column_name)C.df.column_nameD.df.get(column_name)6.如何對DataFrame進行分組并計算每組的平均值？A.groupby().mean()B.groupby().aggregate()C.groupby().sum()D.groupby().count()7.在Pandas中，如何合并兩個DataFrame？A.merge()B.join()C.concat()D.combine()8.如何對DataFrame進行數據類型轉換？A.convert_dtype()B.change_type()C.astype()D.transform_type()9.在Pandas中，如何去除DataFrame中的重復行？A.drop_duplicates()B.remove_duplicates()C.delete_duplicates()D.unique()10.如何在DataFrame中創(chuàng)建新的列？A.assign()B.add_column()C.new_column()D.insert()11.在Pandas中，如何對數據進行抽樣？A.sample()B.random()C.draw()D.pick()12.如何對DataFrame進行缺失值填充？A.fillna()B.fill()C.replace_na()D.impute()13.在Pandas中，如何對數據進行透視表操作？A.pivot_table()B.pivot()C.transpose()D.reshape()14.如何對DataFrame進行數據過濾？A.filter()B.select()C.query()D.where()15.在Pandas中，如何計算DataFrame中數值列的描述性統(tǒng)計量？A.describe()B.stats()C.summarize()D.info()16.如何對DataFrame進行數據透視和聚合？A.pivot()B.groupby()C.aggregate()D.pivot_table()17.在Pandas中，如何對數據進行窗口函數操作？A.rolling()B.expanding()C.window()D.moving()18.如何對DataFrame進行數據分組并應用自定義函數？A.apply()B.map()C.transform()D.groupapply()19.在Pandas中，如何對數據進行排序并去除重復值？A.sort_values().drop_duplicates()B.sort().unique()C.order().dropna()D.sort_index().duplicated()20.如何對DataFrame進行數據合并和連接？A.merge()B.join()C.concat()D.union()二、多項選擇題（本部分共10小題，每小題2分，共20分。在每小題列出的五個選項中，有多項符合題目要求。請將正確選項字母填在題后的括號內。）1.下列哪些是Pandas庫的常用功能？A.數據讀取B.數據清洗C.數據分析D.數據可視化E.機器學習2.在Pandas中，如何處理缺失值？A.刪除缺失值B.填充缺失值C.插值法D.忽略缺失值E.使用均值填充3.下列哪些函數可以用來選擇DataFrame中的數據？A.iloc[]B.loc[]C.query()D.filter()E.sort_values()4.在Pandas中，如何進行數據分組操作？A.groupby()B.pivot()C.aggregate()D.sort_values()E.merge()5.下列哪些是Pandas中的數據結構？A.SeriesB.DataFrameC.ArrayD.MatrixE.Dictionary6.如何在Pandas中進行數據合并操作？A.merge()B.join()C.concat()D.append()E.union()7.在Pandas中，如何進行數據透視表操作？A.pivot_table()B.pivot()C.transpose()D.reshape()E.aggregate()8.如何在Pandas中進行數據類型轉換？A.astype()B.convert_dtype()C.to_numeric()D.change_type()E.map()9.在Pandas中，如何進行數據過濾操作？A.query()B.filter()C.loc[]D.iloc[]E.where()10.下列哪些是Pandas中的常用統(tǒng)計函數？A.mean()B.median()C.mode()D.std()E.var()（請注意，以上內容僅為示例，實際考試內容可能有所不同。在實際考試中，請根據具體的考試范圍和要求進行調整。）三、簡答題（本部分共5小題，每小題4分，共20分。請根據題目要求，簡要回答問題。）1.簡述Pandas庫在Python數據分析中的主要作用和優(yōu)勢。在我的教學過程中，我發(fā)現(xiàn)很多同學一開始對Pandas有點懵，但一旦上手，就會覺得它簡直是個數據分析的“瑞士軍刀”。你看啊，Pandas它整合了NumPy的很多功能，但做得更人性化，特別適合處理表格數據。它最大的優(yōu)勢就是那幾個核心的數據結構——Series和DataFrame，簡直就是為處理結構化數據量身定做的。想想看，你有沒有遇到過導入亂七八糟的CSV文件，里面數據缺失、格式不對的情況？用Pandas，幾行代碼就能搞定數據清洗，比如用`dropna()`去掉缺失值，用`fillna()`填充缺失值，用`astype()`轉換數據類型，簡直不要太方便。還有啊，分組（`groupby()`）、排序（`sort_values()`）、合并（`merge()`）、透視表（`pivot_table()`）這些操作，Pandas都提供了非常直觀和強大的接口?？梢哉f，只要你是做數據分析的，Pandas絕對是你的得力助手，能幫你大大提高工作效率。2.描述在Python中進行數據探索性分析（EDA）時，通常會用到哪些Pandas函數和方法，并說明其作用。做數據探索性分析，這可是個發(fā)現(xiàn)數據特點、理解數據背后故事的過程，我平時上課經常跟同學們強調，EDA就像是偵探破案前的現(xiàn)場勘查，必須仔仔細細。用Pandas做EDA，那可是得心應手。首先，你得把數據讀進來，用`read_csv()`或者`read_excel()`啥的。然后，得先看看這數據長啥樣，基本信息用`head()`、`tail()`、`info()`，能快速了解數據的結構、類型和缺失情況。接著，就要深入挖掘了，用`describe()`看看數值列的均值、標準差、分位數這些統(tǒng)計特征，這能幫你快速把握數據的分布情況。當然，有時候你想看特定列的描述性統(tǒng)計，或者想過濾某些條件下的統(tǒng)計，`agg()`或者`apply()`就派上用場了。數據里可能有缺失值，得用`isnull()`、`notnull()`檢查一下，然后用`dropna()`或者`fillna()`處理掉。有時候數據有重復，`duplicated()`、`drop_duplicates()`就能幫你搞定。想按某個規(guī)則篩選數據？`query()`、`loc[]`、`iloc[]`絕對是你最好的朋友。數據透視表？`pivot_table()`輕松實現(xiàn)。想看各列之間的相關性？用`corr()`就行。總之，Pandas的這些函數和方法，就像一個個工具，組合起來，能幫你全面、深入地了解你的數據。3.解釋什么是DataFrame的索引，以及`loc[]`和`iloc[]`這兩個索引方法的主要區(qū)別和應用場景。跟同學們講索引的時候，我經常打個比方，索引就像是數據表格的“目錄”或者“坐標”。想象一下你有一本厚厚的書，想快速找到某一章，你會翻目錄對吧？DataFrame的索引就是起到類似的作用，它讓你能快速、準確地定位到表格中的特定數據。Pandas提供了兩種主要的索引方法：`loc[]`和`iloc[]`。`loc[]`是基于標簽的索引，也就是說，你要根據列名和行標簽來取數據。它更靈活，支持使用布爾數組、范圍甚至是列表來選擇行和列。比如`df.loc['row_label','column_label']`或者`df.loc[condition,['col1','col2']]`。而`iloc[]`是基于位置的索引，你只需要提供行號和列號的整數位置來取數據，它就像數數一樣，從0開始。使用`iloc[]`時，你用的是整數索引，比如`df.iloc[0,1]`表示第1行第2列的數據，或者`df.iloc[rows,cols]`。所以啊，區(qū)分它們的關鍵在于：`loc`用標簽，`iloc`用位置。當你知道具體的行名和列名時，用`loc`；當你只知道行號和列號（比如從第0行開始算起）時，用`iloc`。我在課堂上經常讓同學們練習用這兩個方法選擇數據，剛開始可能會混淆，但多練幾次，就能掌握它們的精髓了。4.簡述在進行數據合并（合并、連接、拼接）時，Pandas的`merge()`、`join()`和`concat()`函數各自的主要特點和適用場景。數據合并這事兒啊，在實際工作中非常常見，比如你可能需要把來自不同文件或者不同表格的數據拼湊到一起。Pandas提供了三種主要的合并方式：`merge()`、`join()`和`concat()`，這三種方法各有各的特點和適用場景，我上課時通常會通過具體的例子來講解。首先是`merge()`，這個函數功能最強大，它類似于SQL里的JOIN操作，可以基于共同的關鍵列（鍵）來合并兩個DataFrame。你可以指定是做內連接（`inner`）、左連接（`left`）、右連接（`right`）還是外連接（`outer`），這讓你在選擇保留哪些數據時有很大的靈活性。比如，你想把訂單信息和學生信息合并在一起，根據學生ID來對齊，這時候用`merge()`就非常合適。然后是`join()`，這個函數相對簡單一些，它主要是基于索引來合并數據。你可以指定是做左連接還是右連接，它默認是左連接。如果你想把一個DataFrame想象成是主表，另一個DataFrame想象成是從表，根據索引來合并，`join()`是個不錯的選擇。最后是`concat()`，這個函數更像是簡單的拼接，你可以把它想象成用膠水把數據粘在一起。它主要是沿著一個軸（行軸`axis=0`或者列軸`axis=1`）將多個DataFrame或者Series連接起來，不關心它們之間有沒有共同的關鍵列或者索引，也不像`merge()`和`join()`那樣可以指定連接方式。在講解的時候，我會拿三個小表格，用這三種方法分別處理，讓同學們直觀地看到它們的區(qū)別。記住，`merge()`看鍵，`join()`看索引，`concat()`直接拼。5.描述在使用Pandas進行數據清洗時，處理重復數據和異常值的一些常用方法。數據清洗，這可是數據分析流程里至關重要的一步，我經常跟同學們說，垃圾進，垃圾出，數據不干凈，再高級的模型也白搭。處理重復數據和異常值就是數據清洗里的兩大塊內容。先說重復數據，現(xiàn)實世界的數據獲取方式五花八門，重復記錄在所難免。在Pandas里，檢測重復值用`duplicated()`函數，它會返回一個布爾Series，告訴你哪些行是重復的（相對于前面的行）。要去掉這些重復的行，就用`drop_duplicates()`。我上課時會強調，用這個函數的時候，可以指定`keep='first'`（保留第一次出現(xiàn)的重復行，刪除后續(xù)的）、`keep='last'`（保留最后一次出現(xiàn)的重復行，刪除前面的）或者`keep=False`（刪除所有重復行）。有時候，重復可能只出現(xiàn)在某些特定列上，而不是整行都重復，這時候`subset`參數就很有用，你可以指定只在這些列上檢查重復。至于異常值，處理起來就復雜多了，沒有統(tǒng)一的方法。常用的方法有：一是基于統(tǒng)計量，比如找出Z-score絕對值大于3的值，或者找出小于第1百分位數或者大于第99百分位數的值，然后用`drop()`函數去掉這些行，或者用`fillna()`用中位數、均值等替換掉；二是可視化，畫出箱線圖，異常值通常就是那些離群點；三是領域知識，根據你對業(yè)務的理解來判斷哪些值是不合理的，然后手動處理。我在課堂上會演示如何用這些方法處理包含重復和異常值的數據集，讓同學們體會到數據清洗的挑戰(zhàn)和技巧。四、操作題（本部分共3小題，每小題10分，共30分。請根據題目要求，完成指定的操作。）1.假設你有一個名為`sales_data.csv`的文件，里面包含以下列：`'OrderID'`,`'ProductID'`,`'Quantity'`,`'Price'`,`'OrderDate'`。請編寫Python代碼，完成以下任務：a.讀取該CSV文件到PandasDataFrame中。b.查看DataFrame的前5行數據。c.檢查DataFrame中是否存在缺失值，并統(tǒng)計各列的缺失值數量。d.將`'OrderDate'`列的數據類型轉換為datetime類型。e.計算`'Quantity'*'Price'`得到每筆訂單的銷售額，并將結果存儲在一個新的列`'Sales'`中。好了，同學們，這個操作題我們一起來動手試試。首先，你得有一個`sales_data.csv`的文件放在你的工作目錄里。第一步，讀取這個CSV文件，用Pandas的`read_csv()`函數就行，把它變成一個DataFrame，咱們叫它`sales`吧。代碼就是`sales=pd.read_csv('sales_data.csv')`。第二步，看看這數據讀進來了沒，用`head()`函數，`sales.head()`，這樣就能看到前5行，確保一切正常。第三步，數據清洗里頭，檢查缺失值是必備技能。用`isnull()`函數看看哪有缺失，然后用`sum()`函數統(tǒng)計一下每列有多少個缺失值，`sales.isnull().sum()`，這樣就能知道哪個列需要關注了。第四步，那個`'OrderDate'`列，肯定得是日期格式吧？不然怎么算時間序列分析呢？所以，得把它轉成datetime類型，用`pd.to_datetime(sales['OrderDate'])`，然后賦值回原列，`sales['OrderDate']=pd.to_datetime(sales['OrderDate'])`。第五步，最后計算銷售額。這很簡單，就是數量乘以單價嘛，用Pandas的`assign()`或者直接賦值都可以，`sales['Sales']=sales['Quantity']*sales['Price']`。這樣，一個包含銷售額的新列就加進去了。把這幾步代碼寫出來，運行一下，看看結果對不對。這就是處理實際銷售數據的一個基本流程。2.假設你有一個名為`employees.csv`的文件，里面包含以下列：`'EmployeeID'`,`'Name'`,`'Department'`,`'Salary'`,`'JoinDate'`。請編寫Python代碼，完成以下任務：a.讀取該CSV文件到PandasDataFrame中。b.選擇出`'Department'`為`'Sales'`或者`'Marketing'`的員工數據。c.對選出的數據進行按`'Salary'`降序排序。d.計算每個部門的平均薪資，并將結果存儲在一個新的DataFrame中，包含`'Department'`和`'AverageSalary'`兩列。來，咱們接著練。這次是關于員工數據的。同樣，先得有個`employees.csv`文件。第一步，讀取文件，`employees=pd.read_csv('employees.csv')`。第二步，篩選部門。咱們要的是`'Sales'`或者`'Marketing'`的員工，用`query()`函數很方便，`employees.query("Departmentin['Sales','Marketing']")`，或者用布爾索引，`employees[(employees['Department']=='Sales')|(employees['Department']=='Marketing')]`，這兩種都可以。第三步，對篩選出來的數據按薪資降序排序，用`sort_values()`，注意是降序，參數`ascending=False`，`sales_marketing=employees.query("Departmentin['Sales','Marketing']").sort_values('Salary',ascending=False)`。第四步，計算每個部門的平均薪資。這需要用到`groupby()`和`mean()`，`department_avg_salary=employees.groupby('Department')['Salary'].mean().reset_index()`，這里用`reset_index()`把結果轉成一個新的DataFrame，包含`'Department'`和`'AverageSalary'`兩列。把這幾步代碼寫下來，運行一下，就能得到按部門劃分的平均薪資情況。這個操作題能幫助大家練習篩選、排序和分組聚合這些常用操作。3.假設你有兩個DataFrame，`df1`和`df2`，結構如下：```python#df1#AB#012#134#256#df2#AC#027#148```請編寫Python代碼，完成以下任務：a.使用`merge()`函數，以`'A'`列為鍵，將`df1`和`df2`進行左連接。b.使用`join()`函數，以索引為鍵，將`df1`和`df2`進行右連接。c.使用`concat()`函數，將`df1`和`df2`沿著行軸（axis=0）進行拼接。好的，我們來試試合并和拼接。這兩個DataFrame，`df1`和`df2`，結構我給你寫好了。首先，咱們得創(chuàng)建這兩個DataFrame。用`pd.DataFrame()`就行，`df1=pd.DataFrame({'A':[1,3,5],'B':[2,4,6]})`，`df2=pd.DataFrame({'A':[2,4],'C':[7,8]})`。然后，我們按要求操作。第一步，用`merge()`做左連接。左連接的意思是保留`df1`的所有行，如果`df2`中有匹配的`'A'`，就合并；沒有就保留`'C'`列的缺失值。代碼是`merged_left=pd.merge(df1,df2,on='A',how='left')`。第二步，用`join()`做右連接。右連接保留`df2`的所有行，`df1`中不存在的`'A'`會合并為缺失值。注意，`join()`默認是按索引連接，如果`'A'`不是索引，需要先設置，或者直接用`on`參數指定列。這里假設`'A'`是索引，或者直接用`on='A'`，`joined_right=df1.set_index('A').join(df2.set_index('A'),on='A',how='right')`，或者`joined_right=pd.merge(df1,df2,on='A',how='right')`。第三步，用`concat()`沿行軸拼接。這很簡單，就是把`df2`加到`df1`下面，`concatenated=pd.concat([df1,df2],axis=0)`。運行這三段代碼，看看結果是否符合預期。這個練習能讓大家熟悉Pandas中這幾種主要的合并和拼接方式。本次試卷答案如下一、單項選擇題答案及解析1.答案：B解析：在Python的數據分析生態(tài)中，Pandas是處理和分析表格數據的利器，它提供了強大的數據結構和數據分析工具。Matplotlib主要用于數據可視化，NumPy是基礎的科學計算庫，Scikit-learn則專注于機器學習算法。因此，用于數據分析和處理的庫是Pandas。2.答案：B解析：讀取CSV文件是Pandas的常用操作，`read_csv()`函數是專門為此設計的。`read_excel()`用于讀取Excel文件，`read_sql()`用于讀取數據庫中的數據，`read_json()`用于讀取JSON格式的數據。所以，讀取CSV文件應使用`read_csv()`。3.答案：C解析：對DataFrame進行排序是數據分析中的常見需求。`sort()`不是Pandas的內置函數。`order()`在早期版本中存在，但已被棄用。`sort_values()`是用于根據一個或多個列的值對DataFrame進行排序的函數。`arrange()`不是Pandas的內置函數。因此，正確的函數是`sort_values()`。4.答案：A解析：檢查DataFrame中是否存在缺失值是數據清洗的重要步驟。`isnull()`函數返回一個布爾型DataFrame，表示原始DataFrame中每個元素是否為缺失值。`notnull()`返回的是相反的結果。`empty()`檢查DataFrame是否為空。`nan()`不是Pandas的內置函數。所以，檢查缺失值應使用`isnull()`。5.答案：A解析：選擇DataFrame中的特定列有多種方式，但最直接和常用的是使用列名作為索引。`df['column_name']`是選擇單列的標準方式。`df(column_name)`不是正確的語法。`df.column_name`在某些情況下可能有效，但這依賴于列名的命名規(guī)則，不推薦使用。`df.get(column_name)`是另一種選擇列的方法，但不如直接使用列名簡潔。因此，最常用的方法是`df['column_name']`。6.答案：A解析：對DataFrame進行分組并計算每組的統(tǒng)計量是數據分析中的常見操作。`groupby()`函數用于對數據進行分組，然后可以應用各種聚合函數，如`mean()`、`sum()`、`count()`等。`aggregate()`函數也可以用于應用自定義的聚合函數，但它通常在`groupby()`之后使用。`sum()`和`count()`是具體的聚合操作，不是用于分組的方法。因此，正確的組合是`groupby().mean()`。7.答案：A解析：合并兩個DataFrame是數據處理中的常見任務。`merge()`函數提供了多種合并方式，如內連接、左連接、右連接和外連接。`join()`函數通常用于基于索引的合并，它是`merge()`的一個簡化版本。`concat()`函數用于沿指定軸連接多個DataFrame或Series。`combine()`不是Pandas的內置函數。因此，用于合并兩個DataFrame的函數是`merge()`。8.答案：C解析：轉換數據類型是數據預處理中的常見操作。`convert_dtype()`不是Pandas的內置函數。`change_type()`也不是Pandas的內置函數。`astype()`是用于將列的數據類型轉換為指定類型的函數。因此，正確的函數是`astype()`。9.答案：A解析：去除DataFrame中的重復行是數據清洗的重要步驟。`drop_duplicates()`函數用于去除DataFrame中的重復行。`remove_duplicates()`不是Pandas的內置函數。`delete_duplicates()`也不是Pandas的內置函數。`unique()`函數用于返回DataFrame中唯一值的Series。因此，正確的函數是`drop_duplicates()`。10.答案：A解析：在DataFrame中創(chuàng)建新的列是數據分析中的常見操作。`assign()`函數可以用于創(chuàng)建新的列，并返回