一、單選題（共10題）1.以下哪個函數用于讀取Excel文件？A.pd.read_csv()B.pd.read_excel()C.np.loadtxt()D.plt.read()答案：B2.在NumPy中，創(chuàng)建一個3x3的全零數組應使用：A.np.ones((3,3))B.np.zeros((3,3))C.np.empty((3,3))D.np.eye(3)答案：B3.在Pandas中，查看DataFrame的前幾行數據使用：A.df.tail()B.df.head()C.()D.df.describe()答案：B4.Matplotlib中繪制折線圖使用：A.plt.scatter()B.plt.plot()C.plt.bar()D.plt.pie()答案：B5.以下哪個方法可以刪除DataFrame中的重復行？A.df.dropna()B.df.drop_duplicates()C.df.fillna()D.df.replace()答案：B6.在NumPy中，數組切片arr[1:3,0:2]表示：A.第1到第3行，第0到第2列B.第1行到第2行，第0列到第1列C.第1到第3列，第0到第2行D.第0到第2行，第1到第3列答案：B7.以下哪個函數可以將多個數組合并成一個？A.np.split()B.np.stack()C.np.reshape()D.np.flatten()答案：B8.在Pandas中，刪除列應使用：A.df.drop(columns=['列名'])B.df.remove('列名')C.df.delete('列名')D.df.pop('列名')答案：A9.以下哪個圖適合展示分類數據的占比？A.折線圖B.散點圖C.餅圖D.柱形圖答案：C10.RFM模型中，F代表：A.頻率（Frequency）B.金額（Financial）C.反饋（Feedback）D.首次購買時間（First）答案：A11.在Pandas中，要把字符串類型的日期列轉換為datetime類型，應使用：A.pd.to_numeric()B.pd.to_datetime()C.pd.to_string()D.pd.convert()答案：B12.使用NumPy生成5個服從標準正態(tài)分布的隨機數，應調用：A.np.random.rand(5)B.np.random.randn(5)C.np.random.randint(5)D.np.random.normal(5)答案：B13.在DataFrame中按“銷售額”升序排序，正確寫法是：A.df.sort_values('銷售額',ascending=False)B.df.sort('銷售額')C.df.sort_values('銷售額')D.df.order('銷售額')答案：C14.若想查看DataFrame各列缺失值占比，下列哪段代碼最簡潔？A.df.isnull().sum()/len(df)B.df.isnull().mean()C.df.missing().ratio()D.df.count()/len(df)答案：B15.Matplotlib中設置x軸標簽的函數是：A.plt.title()B.plt.xlabel()C.plt.xticks()D.plt.text()答案：B16.在NumPy里，將數組按列方向堆疊應使用：A.np.vstack()B.np.hstack()C.np.column_stack()D.np.dstack()答案：C17.對類別變量進行獨熱編碼，Pandas提供的便捷方法是：A.pd.get_dummies()B.pd.one_hot()C.pd.encode()D.pd.categorical()答案：A18.以下哪個參數可在plt.bar()中控制柱形寬度？A.heightB.widthC.bottomD.align答案：B19.使用groupby()聚合后，想取消多級索引變?yōu)槠胀?，應調用：A.reset_index()B.reindex()C.set_index()D.flatten()答案：A20.在Pandas中，要把“20251111”這種純數字轉換為日期，最佳做法是：A.df['date'].astype('datetime64')B.pd.to_datetime(df['date'],format='%Y%m%d')C.df['date'].apply(str)D.df['date'].map(pd.Timestamp)答案：B二、多選題（共10題）21.以下哪些是Pandas支持讀取的文件格式？A.CSVB.ExcelC.JSOND.TXT答案：A、B、C、D22.NumPy數組的切片特點包括：A.支持布爾索引B.支持多維切片C.切片是原數組的視圖D.切片會復制數據答案：A、B、C23.以下哪些屬于數據清洗的內容？A.缺失值處理B.異常值處理C.格式轉換D.數據可視化答案：A、B、C24.Matplotlib中繪制子圖可以使用：A.plt.subplot()B.plt.subplots()C.plt.figure()D.plt.add_subplot()答案：A、B、D25.以下哪些方法可以處理缺失值？A.fillna()B.dropna()C.replace()D.isnull()答案：A、B26.以下哪些是NumPy創(chuàng)建數組的方式？A.np.array()B.np.arange()C.np.linspace()D.np.random.rand()答案：A、B、C、D27.以下哪些圖適合展示兩個連續(xù)變量之間的關系？A.折線圖B.散點圖C.柱形圖D.熱力圖答案：B、D28.以下哪些操作可以保存DataFrame為文件？A.to_csv()B.to_excel()C.save()D.write()答案：A、B29.以下哪些是RFM模型的指標？A.最近購買時間（Recency）B.購買頻率（Frequency）C.購買金額（Monetary）D.客戶滿意度（Satisfaction）答案：A、B、C30.以下哪些屬于異常值檢測方法？A.箱線圖B.3σ原則C.Z-scoreD.均值填充答案：A、B、C三、判斷題（共10題）31.pd.read_csv()可以讀取Excel文件。（×）32.NumPy數組一旦創(chuàng)建，形狀不可改變。（×）33.plt.show()是顯示圖像的必要步驟。（√）34.df.dropna()默認刪除包含任何缺失值的行。（√）35.np.hstack()是用于水平堆疊數組。（√）36.RFM模型只能用于電商行業(yè)。（×）37.()可以查看每列的數據類型和非空值數量。（√）38.Matplotlib不支持中文字符顯示。（×）39.df.duplicated()可以判斷是否有重復行。（√）40.plt.pie()可以用于展示分類數據的占比。（√）41.np.concatenate()只能合并形狀完全相同的數組。（×）42.df.astype()可以用來批量轉換DataFrame的列數據類型。（√）43.Matplotlib的plt.legend()必須在plt.show()之后調用才會生效。（×）44.在Pandas中，value_counts()默認會忽略缺失值。（√）45.np.eye(3,k=1)會生成3×3的單位矩陣。（×）四、簡答題（共4題）31.簡述如何使用Pandas讀取和保存Excel文件。答：讀?。簆d.read_excel('文件路徑.xlsx')保存：df.to_excel('保存路徑.xlsx',index=False)32.簡述NumPy中數組切片的三種常見方式。答：*（1）基本切片：通過“起始:結束”方式截取數組的一部分，返回的是原數組的視圖，常用于獲取連續(xù)的行或列。

（2）布爾索引：利用布爾數組作為下標，提取滿足條件的元素，例如取出所有大于零的數，方便按條件過濾數據。

（3）花式索引：使用整數數組或列表作為下標，一次性提取多個不連續(xù)位置的元素，適用于按指定順序或位置獲取數據。舉例：-基本切片：arr[1:3,0:2]-布爾索引：arr[arr>5]-花式索引：arr[[0,2,4]]33.簡述數據清洗中處理缺失值的三種方法。答：-刪除：df.dropna()-填充：df.fillna(值)-插值：erpolate()34.簡述RFM模型的三個指標及其含義。答：-R（Recency）：最近一次購買時間-F（Frequency）：購買頻率-M（Monetary）：購買金額35.請用文字說明在Pandas中如何向已有的DataFrame添加一列新數據，并給出兩種常見做法。答：

第一種做法是給DataFrame直接賦一個新列名，例如df['新列名']=Series或標量，Pandas會把該列自動對齊到現有索引并追加到表中；

第二種做法是用insert()方法，在指定位置插入新列，例如df.insert(loc=2,column='新列名',value=Series)，可精確控制列的順序，適合需要把新列放在特定位置的場景。五、編程題1.假設提供直通車費用支出和店鋪銷售額數據，都涵蓋在data.csv里，編程輸出線性回歸方程"""需求：根據直通車費用支出與店鋪銷售額數據，輸出線性回歸方程依賴：pandas+scikit-learn用法：把數據路徑填進去即可"""importpandasaspdfromsklearn.linear_modelimportLinearRegressionfromsklearn.preprocessingimportStandardScaler#1.讀數據（支持csv或xlsx）file='data.csv'#改成你的文件名iffile.endswith('.csv'):df=pd.read_csv(file)else:df=pd.read_excel(file)#2.自動找到“費用”列和“銷售額”列（模糊匹配）cost_col=[cforcindf.columnsif'費用'incor'支出'inc][0]sales_col=[cforcindf.columnsif'銷售額'incor'營收'inc][0]X=df[[cost_col]]#二維特征矩陣y=df[sales_col]#一維目標變量#3.建模model=LinearRegression()model.fit(X,y)#4.取出參數k=model.coef_[0]b=ercept_#5.輸出方程（保留4位小數，可按需改）print(f'線性回歸方程：銷售額={k:.4f}×直通車費用+{b:.4f}')#6.可選：打印R2print(f'R2={model.score(X,y):.4f}')2.假設提供1年12個月的的銷售額數據和1年12個月的訪客流量數據，都涵蓋在data.csv里，編程輸出二者的關系折線圖"""需求：用12個月的銷售額&訪客流量畫雙軸折線圖，直觀展示二者關系依賴：pandas+matplotlib數據要求：12行，包含“銷售額”和“訪客流量”兩列即可"""importpandasaspdimportmatplotlib.pyplotasplt#1.讀數據（csv或xlsx）file='data.xlsx'#改成你的文件名iffile.endswith('.csv'):df=pd.read_csv(file)else:df=pd.read_excel(file)#2.自動識別列（模糊匹配）sales_col=[cforcindf.columnsif'銷售額'inc][0]uv_col=[cforcindf.columnsif'訪客'incor'流量'inc][0]#3.生成1–12月作為橫坐標months=list(range(1,13))#4.畫圖plt.rcParams['font.sa