尚硅谷數(shù)據(jù)分析練習(xí)題答案卷b及解析一、選擇題（每題2分，共10題）1.在進(jìn)行數(shù)據(jù)清洗時(shí)，以下哪項(xiàng)操作不屬于重復(fù)值的處理方法？A.使用“去重”功能刪除完全相同的記錄B.根據(jù)關(guān)鍵指標(biāo)計(jì)算平均值或中位數(shù)填充缺失值C.通過邏輯判斷篩選出具有相同唯一標(biāo)識(shí)符的記錄D.利用聚類算法識(shí)別并合并高度相似的條目答案：B解析：B選項(xiàng)屬于缺失值處理，A、C、D均涉及重復(fù)值識(shí)別或合并。清洗數(shù)據(jù)時(shí)需嚴(yán)格區(qū)分操作類型，避免混淆。2.以下哪個(gè)指標(biāo)最適合衡量數(shù)據(jù)分布的集中趨勢(shì)？A.標(biāo)準(zhǔn)差（StandardDeviation）B.方差（Variance）C.均值（Mean）D.分位數(shù)（Quantile）答案：C解析：均值是衡量集中趨勢(shì)的核心指標(biāo)，標(biāo)準(zhǔn)差和方差反映離散程度，分位數(shù)用于描述分布位置，需根據(jù)分析目標(biāo)選擇。3.在使用Python進(jìn)行數(shù)據(jù)透視時(shí)，以下哪個(gè)庫(kù)的pandas方法最常用？A.`groupby()`B.`merge()`C.`concat()`D.`resample()`答案：A解析：`groupby()`通過分組實(shí)現(xiàn)數(shù)據(jù)透視功能，`merge()`用于合并數(shù)據(jù)，`concat()`拼接序列，`resample()`針對(duì)時(shí)間序列重采樣，場(chǎng)景不符。4.SQL中，以下哪個(gè)函數(shù)可用于計(jì)算分組后的非重復(fù)條目數(shù)量？A.`SUM()`B.`COUNT(DISTINCT...)`C.`AVG()`D.`MAX()`答案：B解析：`COUNT(DISTINCT...)`統(tǒng)計(jì)唯一值數(shù)量，其他函數(shù)分別用于求和、平均、最大值，需結(jié)合業(yè)務(wù)場(chǎng)景選擇。5.在進(jìn)行異常值檢測(cè)時(shí)，以下哪種方法對(duì)數(shù)據(jù)正態(tài)性假設(shè)最為敏感？A.箱線圖（Boxplot）B.Z-score法C.IQR法D.DBSCAN聚類答案：B解析：Z-score基于正態(tài)分布計(jì)算，當(dāng)數(shù)據(jù)偏離正態(tài)性時(shí)結(jié)果偏差較大；IQR和箱線圖不依賴分布假設(shè)；DBSCAN為無(wú)監(jiān)督方法。二、判斷題（每題2分，共10題）6.數(shù)據(jù)抽樣時(shí)，分層抽樣適用于總體內(nèi)部差異較大的情況。答案：正確解析：分層抽樣通過按類別比例抽取樣本，確保各層代表性，適用于變量分布不均的場(chǎng)景（如地域差異）。7.相比Python，R語(yǔ)言在處理大規(guī)模數(shù)據(jù)時(shí)通常具有更好的性能。答案：錯(cuò)誤解析：Python借助Pandas和Dask等框架已支持超大規(guī)模數(shù)據(jù)處理，R在統(tǒng)計(jì)建模方面優(yōu)勢(shì)明顯，但性能非絕對(duì)領(lǐng)先。8.交叉表（Crosstab）主要用于展示分類數(shù)據(jù)的頻數(shù)分布。答案：正確解析：交叉表通過行列維度展示多分類變量的關(guān)系，是探索性分析常用工具（如用戶地域-購(gòu)買行為分析）。9.標(biāo)準(zhǔn)化（Standardization）和歸一化（Normalization）本質(zhì)上完全相同。答案：錯(cuò)誤解析：標(biāo)準(zhǔn)化將數(shù)據(jù)轉(zhuǎn)換為均值為0、方差為1的分布（Z-score）；歸一化通常指縮放到[0,1]區(qū)間（Min-Max），應(yīng)用場(chǎng)景不同。10.邏輯回歸模型適用于處理多分類目標(biāo)變量問題。答案：錯(cuò)誤解析：邏輯回歸僅支持二分類，多分類需使用softmax回歸或決策樹等方法。三、簡(jiǎn)答題（每題5分，共5題）11.簡(jiǎn)述數(shù)據(jù)預(yù)處理中缺失值處理的常用方法及其適用場(chǎng)景。答案：-刪除：直接移除含缺失值的記錄（適用于缺失比例極低時(shí)）；-填充：-均值/中位數(shù)/眾數(shù)（適用于數(shù)值型且分布正態(tài)）；-分組填充（按類別計(jì)算統(tǒng)計(jì)值填充）；-插值法（時(shí)間序列常用）；-估算：KNN或模型預(yù)測(cè)缺失值（適用于缺失規(guī)律性強(qiáng)但數(shù)據(jù)量大的情況）。12.解釋數(shù)據(jù)探索性分析（EDA）的核心步驟及其目的。答案：1.描述性統(tǒng)計(jì)（均值、分布、離散度等）：了解數(shù)據(jù)基本特征；2.可視化分析（直方圖、箱線圖、散點(diǎn)圖等）：發(fā)現(xiàn)異常和模式；3.相關(guān)性分析（相關(guān)系數(shù)矩陣）：識(shí)別變量間關(guān)系；4.分組比較：檢驗(yàn)類別變量影響。目的：快速把握數(shù)據(jù)質(zhì)量與潛在規(guī)律，為建模提供依據(jù)。13.列舉三種常見的特征工程方法并說明其作用。答案：-特征組合：如“年齡收入”可反映消費(fèi)能力；-降維：PCA或LDA減少冗余變量，提升模型效率；-交互特征：創(chuàng)建乘積或多項(xiàng)式特征，捕捉非線性關(guān)系。14.在進(jìn)行時(shí)間序列分析時(shí)，如何處理季節(jié)性波動(dòng)？答案：-差分法：計(jì)算相鄰周期差值消除趨勢(shì)；-拆分：分離年/季/周周期成分；-特征工程：添加季節(jié)虛擬變量；-ARIMA模型：內(nèi)置季節(jié)性參數(shù)（如SARIMA）。15.什么是過擬合？如何通過模型調(diào)優(yōu)緩解過擬合問題？答案：過擬合指模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)極好，但泛化能力差（測(cè)試集誤差顯著增大）。緩解方法：-減少模型復(fù)雜度（如減少樹深度）；-正則化（L1/L2懲罰）；-增加訓(xùn)練數(shù)據(jù)；-早停法（EarlyStopping）。四、操作題（每題10分，共2題）16.假設(shè)你獲取了某電商平臺(tái)2023年1-12月的訂單數(shù)據(jù)（CSV格式），要求完成以下任務(wù)：（1）清洗數(shù)據(jù)：刪除訂單狀態(tài)為“已取消”的記錄；（2）分析：計(jì)算每月客單價(jià)（總金額/訂單數(shù)），并繪制折線圖；（3）分組：按用戶城市分組，統(tǒng)計(jì)活躍用戶（購(gòu)買頻次>3次）占比。答案：pythonimportpandasaspdimportmatplotlib.pyplotasplt1.數(shù)據(jù)清洗data=pd.read_csv('orders.csv')data=data[data['status']!='已取消']2.計(jì)算客單價(jià)并繪圖data['month']=pd.to_datetime(data['order_date']).dt.monthmonthly_avg=data.groupby('month')['amount'].mean()monthly_avg.plot(title='月度客單價(jià)趨勢(shì)',xlabel='月份',ylabel='客單價(jià)')plt.show()3.活躍用戶占比user_activity=data.groupby('user_city')['user_id'].transform('count')active_users=data[user_activity>3]city_active_ratio=active_users.groupby('user_city')['user_id'].count()/data.groupby('user_city')['user_id'].count()print(city_active_ratio)17.使用以下SQL查詢訂單表，要求實(shí)現(xiàn)：（1）按產(chǎn)品類別分組，統(tǒng)計(jì)訂單總量和金額；（2）篩選出金額最高的前3個(gè)類別，并顯示其訂單占比。答案：sql--1.分組統(tǒng)計(jì)SELECTcategory,COUNT()ASorder_count,SUM(amount)AStotal_amountFROMordersGROUPBYcategory;--2.篩選并計(jì)算占比WITHrankedAS(SELECTcategory,COUNT()ASorder_count,SUM(amount)AStotal_amount,RANK()OVER(ORDERBYSUM(amount)DESC)ASrankFROMordersGROUPBYcateg