2025年P(guān)ython數(shù)據(jù)分析全國二級考試真題解析與模擬試題集考試時間：______分鐘總分：______分姓名：______一、選擇題（每題2分，共20分）1.下列哪個不是Python的標準數(shù)據(jù)類型？A.listB.dictC.arrayD.tuple2.在Python中，用于處理數(shù)據(jù)的庫是？A.NumPyB.MatplotlibC.PandasD.alloftheabove3.下列關(guān)于PandasSeries描述錯誤的是？A.Series是一種一維數(shù)組對象，可以存儲任意數(shù)據(jù)類型。B.Series中的數(shù)據(jù)可以通過索引進行訪問。C.Series的索引可以是整數(shù)、字符串或其他Python對象。D.Series內(nèi)部數(shù)據(jù)存儲是稀疏的。4.讀取CSV文件到PandasDataFrame的正確方法通常是使用哪個庫的哪個函數(shù)？A.NumPy.loadtxtB.Matplotlib.readtableC.Pandas.read_csvD.Python內(nèi)置的open5.在Pandas中，用于選擇DataFrame中特定行和列的語法是？A.DataFrame[rows,columns]B.DataFrame.loc[index,columns]C.DataFrame.iloc[rows,columns]D.以上都是6.下列哪個是Matplotlib庫中用于繪制散點圖的函數(shù)？A.plot()B.hist()C.bar()D.scatter()7.如果想對一個PandasDataFrame按照某列的值進行升序排序，應該使用哪個方法？A.DataFrame.sort()B.DataFrame.order()C.DataFrame.sort_values(by='column_name',ascending=True)D.DataFrame.rank(by='column_name')8.在Pandas中，如何刪除DataFrame中包含缺失值的行？A.dropna(how='any')B.dropna(how='all')C.fillna()D.dropna(how='first')9.下列哪個不是Pandas提供的數(shù)據(jù)合并方式？A.mergeB.joinC.concatD.append10.在進行數(shù)據(jù)可視化時，為了更清晰地展示不同類別的數(shù)據(jù)分布，常使用哪種圖表？A.散點圖B.折線圖C.箱線圖D.餅圖二、填空題（每空2分，共20分）1.Python中用于定義函數(shù)的關(guān)鍵字是________。2.NumPy中，用于創(chuàng)建一維數(shù)組對象的函數(shù)是________。3.Pandas中，用于處理缺失數(shù)據(jù)的專用數(shù)值類型是________。4.Matplotlib中，用于設(shè)置圖表標題的函數(shù)是________。5.在Pandas中，使用________方法可以對Series或DataFrame進行分組操作。6.Python中，用于打開文件進行讀寫操作的標準庫是________。7.若要選擇PandasDataFrame中名為'columnA'且值大于10的所有行，可以使用條件________。8.Pandas的________對象是二維的，類似電子表格。9.使用Matplotlib繪制柱狀圖時，`bar(x,height)`中的`height`參數(shù)表示________。10.對PandasDataFrame進行排序時，如果不指定`ascending`參數(shù)，默認按________進行排序。三、簡答題（每題5分，共15分）1.簡述Python列表（list）和元組（tuple）的主要區(qū)別。2.解釋Pandas中`DataFrame.loc`和`DataFrame.iloc`的主要區(qū)別和應用場景。3.描述在進行數(shù)據(jù)可視化時，選擇合適的圖表類型需要考慮哪些因素？四、編程題（共45分）1.數(shù)據(jù)加載與清洗（15分）假定有一個名為`data.csv`的CSV文件，其內(nèi)容如下（具體內(nèi)容不限制，但包含至少三列：`id`（整數(shù)），`name`（字符串），`score`（浮點數(shù)，可能包含缺失值））。請編寫Python代碼完成以下任務：a.導入必要的庫（NumPy,Pandas）。b.讀取`data.csv`文件到PandasDataFrame。c.查看DataFrame的前5行數(shù)據(jù)。d.刪除所有包含缺失值的行。e.將`score`列中缺失值填充為該列的平均分（使用Pandas內(nèi)置函數(shù)）。f.篩選出`score`大于80的所有行，并輸出這些行的數(shù)量。2.數(shù)據(jù)處理與分析（15分）繼續(xù)使用上述清洗后的DataFrame。請編寫代碼完成：a.按照`score`列的值進行降序排序，并輸出排序后的DataFrame。b.計算每個`name`出現(xiàn)的次數(shù)（即統(tǒng)計不同姓名的人數(shù)），并將結(jié)果按出現(xiàn)次數(shù)降序排列輸出。c.創(chuàng)建一個新列`category`，根據(jù)`score`的值進行分類：`score`>=90為'A',80<=`score`<90為'B',其他為'C'。3.數(shù)據(jù)可視化（15分）a.使用Matplotlib繪制一個柱狀圖，橫軸為`name`列（每個姓名只展示一次），縱軸為對應的`score`。要求柱狀圖顏色為藍色，并添加標題“學生得分分布”和縱軸標簽“分數(shù)”。b.在同一圖表中（或使用子圖），繪制`category`列的值（'A','B','C'）的餅圖，顯示各類別的數(shù)量占比。要求餅圖包含標簽和百分比，并使用不同的顏色區(qū)分不同類別。---試卷答案一、選擇題1.C2.D3.D4.C5.D6.D7.C8.A9.D10.C二、填空題1.def2.array3.NaN4.title()5.groupby6.io7.(df['columnA']>10)8.DataFrame9.柱的高度（或柱的值）10.升序三、簡答題1.解析：列表（list）是可變的（可以修改內(nèi)容），支持動態(tài)擴展大小，元素可以是不同的數(shù)據(jù)類型。元組（tuple）是不可變的（一旦創(chuàng)建內(nèi)容不能修改），大小固定，通常用于存儲不可變的數(shù)據(jù)序列，元素也可以是不同的數(shù)據(jù)類型。這是兩者最核心的區(qū)別。2.解析：`DataFrame.loc`用于通過標簽（label）進行索引，即根據(jù)行索引和列名來選擇數(shù)據(jù)。`DataFrame.iloc`用于通過整數(shù)位置（integerlocation）進行索引，即根據(jù)行號和列號（從0開始）來選擇數(shù)據(jù)。`loc`必須使用明確的索引標簽，而`iloc`使用整數(shù)位置。當索引是默認的整數(shù)索引時，`loc`和`iloc`的行為可能相似，但`iloc`明確是位置索引。3.解析：選擇合適的圖表類型需要考慮：*數(shù)據(jù)的類型：分類數(shù)據(jù)、數(shù)值數(shù)據(jù)（離散、連續(xù)）、時間序列數(shù)據(jù)等適合不同的圖表。*要表達的信息：比較大小用柱狀圖或條形圖，展示趨勢用折線圖，顯示分布用直方圖或箱線圖，顯示構(gòu)成用餅圖，展示關(guān)系用散點圖。*數(shù)據(jù)的維度：單變量、雙變量、多變量分析適合不同的圖表組合。*受眾和場景：報告中的圖表需要清晰易懂，公開演講的圖表需要引人注目，交互式儀表盤需要靈活的圖表。*圖表的易讀性：避免過于復雜的圖表，確保標簽、圖例、標題清晰，顏色搭配合理。四、編程題1.數(shù)據(jù)加載與清洗```pythonimportnumpyasnpimportpandasaspd#b.讀取CSV文件df=pd.read_csv('data.csv')#c.查看前5行print(df.head())#d.刪除包含缺失值的行df_dropped=df.dropna()#e.填充缺失值df_filled=df_dropped.fillna(df['score'].mean())#f.篩選score大于80的行，并輸出數(shù)量count_high_score=df_filled[df_filled['score']>80].shape[0]print(count_high_score)```2.數(shù)據(jù)處理與分析```python#繼續(xù)使用清洗后的df_filled#a.按'score'降序排序df_sorted=df_filled.sort_values(by='score',ascending=False)print(df_sorted)#b.計算每個'name'出現(xiàn)的次數(shù)并降序排列name_counts=df_filled['name'].value_counts().sort_values(ascending=False)print(name_counts)#c.創(chuàng)建新列'category'conditions=[df_filled['score']>=90,df_filled['score']>=80,df_filled['score']<80]categories=['A','B','C']df_filled['category']=pd.cut(df_filled['score'],bins=[0,80,90,100],labels=categories,right=False)#或者使用numpy.select（需要先計算平均值）#mean_score=df_filled['score'].mean()#df_filled['category']=np.select(conditions,['A','B','C'],default='C')print(df_filled)```3.數(shù)據(jù)可視化```pythonimportmatplotlib.pyplotasplt#a.繪制柱狀圖#需要先處理，確保'name'唯一，例如使用value_counts的索引name_unique=df_filled['name'].value_counts().indexscore_unique=df_filled[df_filled['name'].isin(name_unique)]['score']#獲取對應唯一name的scoreplt.figure(figsize=(10,6))plt.bar(name_unique,score_unique,color='blue')plt.title('學生得分分布')plt.xlabel('學生姓名')plt.ylabel('分數(shù)')plt.xticks(rotation=45)#旋轉(zhuǎn)x軸標簽以便閱讀plt.tight_layout()#調(diào)整布局防止標簽重疊#plt.show()#實際運行時需要顯示#b.繪制餅圖