Python數(shù)據(jù)分析技能進(jìn)階題庫(kù)及答案一、選擇題（每題2分，共10題）1.在Pandas中，用于按指定列對(duì)DataFrame進(jìn)行排序的函數(shù)是？A.groupby()B.sort_values()C.order()D.arrange()2.下列哪個(gè)不是NumPy常用的隨機(jī)數(shù)生成函數(shù)？A.np.random.rand()B.np.random.randn()C.np.random.randint()D.np.random.choice()3.在Pandas中，要?jiǎng)?chuàng)建一個(gè)不包含重復(fù)值的DataFrame，應(yīng)使用哪個(gè)參數(shù)？A.drop_duplicates()B.unique()C.dropna()D.nunique()4.下列哪個(gè)庫(kù)主要用于數(shù)據(jù)可視化？A.NumPyB.PandasC.MatplotlibD.Scikit-learn5.在Pandas中，要計(jì)算分組后的統(tǒng)計(jì)指標(biāo)，應(yīng)使用哪個(gè)函數(shù)？A.aggregate()B.groupby()C.describe()D.pivot_table()二、填空題（每題2分，共10題）1.在NumPy中，表示數(shù)組維度的屬性是________。2.在Pandas中，用于篩選缺失值的函數(shù)是________。3.Matplotlib中，用于創(chuàng)建散點(diǎn)圖的函數(shù)是________。4.在Pandas中，用于合并多個(gè)DataFrame的函數(shù)是________。5.在NumPy中，用于計(jì)算數(shù)組元素總和的函數(shù)是________。6.在Pandas中，用于將數(shù)據(jù)透視表轉(zhuǎn)換為DataFrame的函數(shù)是________。7.Matplotlib中，用于設(shè)置圖表標(biāo)題的函數(shù)是________。8.在NumPy中，用于創(chuàng)建等差數(shù)列的函數(shù)是________。9.在Pandas中，用于將字符串列轉(zhuǎn)換為日期時(shí)間的函數(shù)是________。10.在Matplotlib中，用于創(chuàng)建直方圖的函數(shù)是________。三、判斷題（每題2分，共10題）1.Pandas的Series對(duì)象可以包含重復(fù)的索引值。（×）2.NumPy數(shù)組必須是同質(zhì)的，即所有元素類型必須相同。（√）3.Matplotlib是Pandas的內(nèi)置庫(kù)。（×）4.在Pandas中，使用`df.copy()`創(chuàng)建的DataFrame會(huì)共享原始數(shù)據(jù)。（×）5.NumPy的`np.where()`函數(shù)可以返回滿足條件的元素的索引。（√）6.Pandas的`read_csv()`函數(shù)默認(rèn)使用逗號(hào)作為分隔符。（√）7.Matplotlib的`plt.show()`函數(shù)會(huì)在新窗口中顯示圖表。（√）8.在NumPy中，`np.array()`函數(shù)可以處理嵌套列表。（√）9.Pandas的`groupby()`函數(shù)會(huì)返回一個(gè)分組對(duì)象，而不是直接進(jìn)行計(jì)算。（√）10.Matplotlib的Seaborn庫(kù)是Matplotlib的擴(kuò)展，提供了更高級(jí)的繪圖功能。（√）四、簡(jiǎn)答題（每題5分，共5題）1.簡(jiǎn)述Pandas中DataFrame和Series的區(qū)別。2.如何在NumPy中創(chuàng)建一個(gè)5x5的隨機(jī)整數(shù)數(shù)組，值范圍在1到100之間？3.解釋Pandas中`merge()`函數(shù)的`on`參數(shù)的作用。4.描述Matplotlib中`subplots()`函數(shù)的用法及其參數(shù)。5.如何在Pandas中處理缺失值，有哪幾種常用方法？五、編程題（每題10分，共5題）1.讀取名為`sales.csv`的文件，該文件包含以下列：`date`（日期）、`product`（產(chǎn)品）、`quantity`（數(shù)量）、`price`（價(jià)格）。要求：-將`date`列轉(zhuǎn)換為日期時(shí)間格式-按產(chǎn)品分組，計(jì)算每個(gè)產(chǎn)品的總銷售額-將結(jié)果按銷售額降序排列，并輸出前5行2.使用NumPy創(chuàng)建一個(gè)10x10的隨機(jī)浮點(diǎn)數(shù)數(shù)組，然后：-計(jì)算數(shù)組中所有元素的平均值-找到數(shù)組中最大的元素及其索引-將數(shù)組中的所有負(fù)數(shù)替換為03.創(chuàng)建一個(gè)PandasDataFrame，包含以下數(shù)據(jù)：pythondata={'name':['Alice','Bob','Charlie','David'],'age':[25,30,35,40],'city':['NewYork','LosAngeles','Chicago','Houston']}-添加一列`country`，默認(rèn)值為`USA`-對(duì)年齡進(jìn)行排序，年齡相同則按名字排序-篩選出年齡大于30的人，并輸出結(jié)果4.使用Matplotlib繪制以下圖表：-創(chuàng)建一個(gè)包含3個(gè)子圖的圖表-第一個(gè)子圖：散點(diǎn)圖（x=[1,2,3,4,5],y=[2,4,6,8,10]）-第二個(gè)子圖：直方圖（使用隨機(jī)數(shù)據(jù)）-第三個(gè)子圖：折線圖（x=[1,2,3,4,5],y=[5,3,8,2,7]）-為每個(gè)子圖設(shè)置標(biāo)題，并為整個(gè)圖表設(shè)置一個(gè)總標(biāo)題5.編寫一個(gè)函數(shù)，接受一個(gè)PandasDataFrame和一個(gè)列名作為參數(shù)，返回該列的描述性統(tǒng)計(jì)信息（包括計(jì)數(shù)、均值、標(biāo)準(zhǔn)差、最小值、25%分位數(shù)、中位數(shù)、75%分位數(shù)和最大值）。使用`apply()`函數(shù)實(shí)現(xiàn)。答案及解析一、選擇題答案1.B2.D3.A4.C5.A二、填空題答案1.shape2.isnull()或isna()3.scatter()4.merge()或join()5.sum()6.pivot()7.title()8.arange()或linspace()9.to_datetime()10.hist()三、判斷題答案1.×2.√3.×4.×5.√6.√7.√8.√9.√10.√四、簡(jiǎn)答題答案1.Pandas中DataFrame和Series的區(qū)別：-DataFrame是一個(gè)二維表格數(shù)據(jù)結(jié)構(gòu)，具有行和列索引，可以存儲(chǔ)不同類型的數(shù)據(jù)。-Series是一個(gè)一維數(shù)組，具有標(biāo)簽索引，所有元素類型必須相同。-DataFrame可以通過索引單個(gè)列轉(zhuǎn)換為Series，而Series可以通過`reset_index()`轉(zhuǎn)換為DataFrame。2.如何在NumPy中創(chuàng)建一個(gè)5x5的隨機(jī)整數(shù)數(shù)組，值范圍在1到100之間：pythonimportnumpyasnparray=np.random.randint(1,101,size=(5,5))3.解釋Pandas中`merge()`函數(shù)的`on`參數(shù)的作用：-`on`參數(shù)指定用于合并的兩個(gè)DataFrame的連接鍵列。如果兩個(gè)DataFrame有多個(gè)列名相同，必須使用`on`參數(shù)明確指定要合并的列。4.描述Matplotlib中`subplots()`函數(shù)的用法及其參數(shù)：pythonfig,axes=plt.subplots(nrows=3,ncols=2,figsize=(10,8))-`nrows`：子圖的行數(shù)-`ncols`：子圖的列數(shù)-`figsize`：圖表的尺寸（寬度，高度）5.如何在Pandas中處理缺失值，有哪幾種常用方法：-刪除缺失值：`dropna()`（刪除包含缺失值的行或列）-填充缺失值：`fillna()`（用特定值或前一個(gè)/后一個(gè)值填充）-插值：`interpolate()`（使用插值方法填充）五、編程題答案1.pythonimportpandasaspdimportnumpyasnp#讀取數(shù)據(jù)df=pd.read_csv('sales.csv')df['date']=pd.to_datetime(df['date'])df['sales']=df['quantity']*df['price']#分組計(jì)算總銷售額result=df.groupby('product')['sales'].sum().sort_values(ascending=False).head(5)print(result)2.pythonimportnumpyasnp#創(chuàng)建隨機(jī)數(shù)組array=np.random.randn(10,10)#計(jì)算平均值mean=np.mean(array)print(f"平均值:{mean}")#找到最大值及其索引max_val=np.max(array)max_idx=np.unravel_index(np.argmax(array),array.shape)print(f"最大值:{max_val},索引:{max_idx}")#將負(fù)數(shù)替換為0array[array<0]=0print(array)3.pythonimportpandasaspd#創(chuàng)建DataFramedata={'name':['Alice','Bob','Charlie','David'],'age':[25,30,35,40],'city':['NewYork','LosAngeles','Chicago','Houston']}df=pd.DataFrame(data)df['country']='USA'#排序df=df.sort_values(by=['age','name'])#篩選result=df[df['age']>30]print(result)4.pythonimportmatplotlib.pyplotasplt#創(chuàng)建子圖fig,axes=plt.subplots(nrows=3,ncols=1,figsize=(10,15))#散點(diǎn)圖axes[0].scatter([1,2,3,4,5],[2,4,6,8,10])axes[0].set_title('散點(diǎn)圖')#直方圖axes[1].hist(np.random.randn(1000),bins=20)axes[1].set_title('直方圖')#折線圖axes[2].plot([1,2,3,4,5],[5,3,8,2,7])axes[2].set_title('折線圖')#設(shè)置總標(biāo)題fig.suptitle('多種圖表展示',fontsize=16)plt.tight_layout(rect=[0,