2025年P(guān)ython數(shù)據(jù)分析專項(xiàng)訓(xùn)練試卷高頻考點(diǎn)解析考試時(shí)間：______分鐘總分：______分姓名：______一、選擇題（每題2分，共20分）1.下列哪個(gè)庫(kù)是Python數(shù)據(jù)分析中最常用、功能最強(qiáng)大的數(shù)據(jù)處理庫(kù)？A.MatplotlibB.NumPyC.Scikit-learnD.Flask2.在Pandas中，用于刪除DataFrame中重復(fù)行的函數(shù)是？A.`dropna()`B.`fillna()`C.`drop_duplicates()`D.`drop()`3.下列哪個(gè)方法可以用來(lái)將PandasSeries對(duì)象轉(zhuǎn)換為DataFrame？A.`to_frame()`B.`convert()`C.`as_frame()`D.`to_dataframe()`4.在Pandas中，使用`.loc[]`進(jìn)行數(shù)據(jù)選擇時(shí)，必須使用列標(biāo)簽和行標(biāo)簽的組合？A.TrueB.False5.下列哪個(gè)是Python中處理大規(guī)模多維數(shù)組和矩陣運(yùn)算的庫(kù)？A.PandasB.MatplotlibC.NumPyD.Seaborn6.讀取CSV文件到PandasDataFrame時(shí)，如果文件沒(méi)有列名，可以使用哪個(gè)參數(shù)來(lái)指定列名？A.`header=None`B.`names=[]`C.`columns=[]`D.`name=[]`7.在Pandas中，對(duì)數(shù)據(jù)進(jìn)行分組后，要計(jì)算每組的平均值，應(yīng)使用哪個(gè)方法？A.`groupby().aggregate()`B.`groupby().apply()`C.`groupby().sum()`D.`groupby().mean()`8.下列哪個(gè)函數(shù)用于計(jì)算PandasSeries或DataFrame中數(shù)據(jù)的標(biāo)準(zhǔn)差？A.`var()`B.`std()`C.`median()`D.`mean()`9.在Matplotlib中，要顯示當(dāng)前繪制的圖形，應(yīng)使用哪個(gè)函數(shù)？A.`show()`B.`plot()`C.`figure()`D.`scatter()`10.下列哪個(gè)參數(shù)用于控制Seaborn`histplot`函數(shù)是否顯示擬合的核密度估計(jì)曲線？A.`kde=False`B.`fit_kde=True`C.`dodge=False`D.`hue=None`二、填空題（每空2分，共20分）1.在Pandas中，用于處理缺失數(shù)據(jù)的函數(shù)是`______`和`______`。2.Pandas的`______`對(duì)象是一個(gè)二維、大小可變、異構(gòu)的表格數(shù)據(jù)結(jié)構(gòu)。3.NumPy數(shù)組中的`______`機(jī)制允許在不同形狀的數(shù)組之間進(jìn)行元素級(jí)的計(jì)算。4.使用Pandas的`.str`訪問(wèn)器可以對(duì)______類型的數(shù)據(jù)進(jìn)行字符串操作。5.在Pandas中，`groupby(['col1','col2']).sum()`會(huì)對(duì)`col1`和`col2`的______進(jìn)行分組，并對(duì)分組后的數(shù)據(jù)計(jì)算______。6.Matplotlib中的`plt.xlabel('______')`用于設(shè)置圖形的橫坐標(biāo)標(biāo)簽。7.讀取Excel文件時(shí)，使用Pandas的`pd.read_excel('file.xlsx',sheet_name='Sheet1')`，其中`sheet_name`參數(shù)指定了要讀取的______。8.數(shù)據(jù)標(biāo)準(zhǔn)化（Z-score標(biāo)準(zhǔn)化）通常指將數(shù)據(jù)轉(zhuǎn)換為均值為0，標(biāo)準(zhǔn)差為1的分布，常用的Pandas方法組合是`______`。9.Seaborn的`pairplot()`函數(shù)可以生成數(shù)據(jù)集中所有數(shù)值列的______圖形矩陣。10.保存PandasDataFrame到CSV文件時(shí)，不包含行索引的參數(shù)是`______`。三、簡(jiǎn)答題（每題5分，共15分）1.簡(jiǎn)述Pandas中`merge()`函數(shù)與`concat()`函數(shù)的主要區(qū)別。2.解釋Pandas中`.apply()`函數(shù)的作用，并說(shuō)明它與`.map()`函數(shù)的區(qū)別。3.說(shuō)明在進(jìn)行數(shù)據(jù)可視化時(shí)，選擇使用Matplotlib還是Seaborn的考慮因素。四、編程題（共45分）1.數(shù)據(jù)清洗與處理（15分）：假定有以下字符串代表某公司員工銷售數(shù)據(jù)的部分記錄，其中包含姓名、部門(mén)、銷售額和日期信息，部分?jǐn)?shù)據(jù)存在缺失或格式不統(tǒng)一。請(qǐng)編寫(xiě)Python代碼完成以下任務(wù)：```pythondata="""Name,Department,Sales,DateAlice,Sales,50000,2023-05-10Bob,Marketing,,2023-05-11Charlie,Sales,75000.50,2023-05-12David,HR,48000,2023-05-15NULL,Finance,60000,2023-05-16Eve,Marketing,55000,2023-05-17"""```要求：a)讀取該字符串?dāng)?shù)據(jù)，將其轉(zhuǎn)換為PandasDataFrame（列名使用首行）。（3分）b)刪除包含缺失值的行。（3分）c)將銷售額轉(zhuǎn)換為數(shù)值類型，忽略轉(zhuǎn)換錯(cuò)誤（使用`errors='coerce'`）。（3分）d)將日期字符串格式統(tǒng)一為`YYYY-MM-DD`標(biāo)準(zhǔn)格式（使用`pd.to_datetime()`）。（3分）e)為缺失的姓名填充部門(mén)名稱（例如，如果姓名為`NULL`或空字符串，則用部門(mén)名稱填充）。（3分）2.數(shù)據(jù)分析與計(jì)算（15分）：假設(shè)你已經(jīng)通過(guò)上述代碼得到了一個(gè)清洗后的PandasDataFrame，名為`df`。請(qǐng)編寫(xiě)代碼完成以下分析任務(wù)：a)計(jì)算每個(gè)部門(mén)的平均銷售額，并按平均銷售額從高到低排序，輸出結(jié)果。（5分）b)找出銷售額最高的前3位員工的信息（包括姓名、部門(mén)、銷售額）。（5分）c)計(jì)算每個(gè)部門(mén)的員工人數(shù)。（5分）3.數(shù)據(jù)可視化（15分）：繼續(xù)使用上述清洗后的DataFrame`df`。請(qǐng)編寫(xiě)代碼實(shí)現(xiàn)以下可視化任務(wù)：a)繪制一個(gè)柱狀圖，展示不同部門(mén)的平均銷售額。圖表應(yīng)包含標(biāo)題“各部門(mén)平均銷售額”和橫縱坐標(biāo)標(biāo)簽。（7分）b)繪制一個(gè)散點(diǎn)圖，展示銷售額與員工人數(shù)之間的關(guān)系。散點(diǎn)圖的橫坐標(biāo)為銷售額，縱坐標(biāo)為員工人數(shù)。圖表應(yīng)包含標(biāo)題和坐標(biāo)標(biāo)簽。（8分）試卷答案一、選擇題1.B2.C3.A4.A5.C6.B7.D8.B9.A10.A二、填空題1.dropna,fillna2.DataFrame3.廣播(Broadcasting)4.Series5.組別,總和6.text7.工作表(Sheet)8.StandardScaler.fit_transform/MinMaxScaler.fit_transform9.散點(diǎn)圖(Scatter)10.index三、簡(jiǎn)答題1.解析：`merge()`用于根據(jù)指定的鍵將兩個(gè)或多個(gè)DataFrame按行進(jìn)行合并，類似于SQL中的JOIN操作，支持內(nèi)連接、外連接等多種方式。`concat()`主要用于沿著指定軸（行或列）將多個(gè)DataFrame或Series連接起來(lái)，形成更長(zhǎng)的或更寬的數(shù)據(jù)集，操作相對(duì)簡(jiǎn)單，不涉及復(fù)雜的鍵匹配。2.解析：`.apply()`函數(shù)用于將一個(gè)函數(shù)應(yīng)用到DataFrame或Series的每個(gè)元素、每個(gè)行或每個(gè)列上。它可以用于實(shí)現(xiàn)復(fù)雜的自定義聚合或轉(zhuǎn)換邏輯，特別是當(dāng)操作不能簡(jiǎn)單地通過(guò)內(nèi)置函數(shù)（如`sum()`,`mean()`）完成時(shí)。`.map()`函數(shù)主要應(yīng)用于Series，它將一個(gè)函數(shù)或字典映射到Series的每個(gè)元素上，常用于替換值或執(zhí)行元素級(jí)別的轉(zhuǎn)換。關(guān)鍵區(qū)別在于應(yīng)用范圍（SeriesvsDataFrame/行/列）和靈活性（通用函數(shù)vs簡(jiǎn)單映射）。3.解析：選擇Matplotlib還是Seaborn取決于需求。Matplotlib是底層繪圖庫(kù)，功能極其豐富，靈活性最高，可以精細(xì)控制圖表的每一個(gè)細(xì)節(jié)，適合需要高度定制化圖表的場(chǎng)景。Seaborn基于Matplotlib構(gòu)建，專注于統(tǒng)計(jì)可視化，提供更高級(jí)的接口和美觀的默認(rèn)樣式，適合快速創(chuàng)建常見(jiàn)的統(tǒng)計(jì)圖表，并直觀展示數(shù)據(jù)分布和關(guān)系。如果需要簡(jiǎn)單快速且美觀的統(tǒng)計(jì)圖，選Seaborn；如果需要高度定制或特定圖表類型，選Matplotlib。四、編程題1.數(shù)據(jù)清洗與處理```pythonimportpandasaspddata="""Name,Department,Sales,DateAlice,Sales,50000,2023-05-10Bob,Marketing,,2023-05-11Charlie,Sales,75000.50,2023-05-12David,HR,48000,2023-05-15NULL,Finance,60000,2023-05-16Eve,Marketing,55000,2023-05-17"""#a)讀取數(shù)據(jù)df=pd.read_csv(pat.StringIO(data),skiprows=[0])#b)刪除包含缺失值的行df.dropna(inplace=True)#c)將銷售額轉(zhuǎn)換為數(shù)值類型df['Sales']=pd.to_numeric(df['Sales'],errors='coerce')#d)統(tǒng)一日期格式df['Date']=pd.to_datetime(df['Date'],errors='coerce')#e)為缺失姓名填充部門(mén)名稱df['Name'].fillna(df['Department'],inplace=True)```2.數(shù)據(jù)分析與計(jì)算```python#假設(shè)df是上述步驟1清洗后的DataFrame#a)計(jì)算每個(gè)部門(mén)的平均銷售額并排序result_a=df.groupby('Department')['Sales'].mean().sort_values(ascending=False)#b)找出銷售額最高的前3位員工信息result_b=df.nlargest(3,'Sales')[['Name','Department','Sales']]#c)計(jì)算每個(gè)部門(mén)的員工人數(shù)result_c=df['Department'].value_counts()```3.數(shù)據(jù)可視化```python#假設(shè)df是上述步驟1清洗后的DataFrameimportmatplotlib.pyplotasplt#a)繪制各部門(mén)平均銷售額柱狀圖avg_sales_by_dept=df.groupby('Department')['Sales'].mean()avg_sales_by_dept.plot(kind='bar')plt.title('各部門(mén)平均銷售額')plt.xlabel('部門(mén)')plt.ylabel('平均銷售額')plt.show()#b)繪制銷售額與員工人數(shù)關(guān)系散點(diǎn)圖#首先計(jì)算各部門(mén)人數(shù)dept_counts=df['Department'].value_counts()#將人數(shù)添加到