Python商務(wù)數(shù)據(jù)分析與應(yīng)用試卷二考試形式：閉卷考試時(shí)間：90分鐘題號(hào)一二三四五總分分?jǐn)?shù)一、單項(xiàng)選擇用于將分類(lèi)變量轉(zhuǎn)換為數(shù)值啞變量的pandas方法是（）

A.get_dummies()B.cut()C.qcut()D.factorize()衡量直播實(shí)時(shí)成交效率的核心指標(biāo)是（）A.UVB.客單價(jià)C.成交轉(zhuǎn)化率D.跳失率下列代碼中，能正確把字符串日期轉(zhuǎn)為datetime的是（）

A.pd.to_numeric()B.pd.to_datetime()C.pd.to_timedelta()D.pd.to_string()在RF模型中，若R得分高、F得分低，用戶屬于（）

A.新客B.忠誠(chéng)客C.流失預(yù)警D.高價(jià)值客下列可視化圖形最適合呈現(xiàn)“占比”的是（）

A.雷達(dá)圖B.餅圖C.箱線圖D.熱力圖NumPy中實(shí)現(xiàn)元素級(jí)相乘的運(yùn)算符是（）

A.*B.@C.dot()D.multiply()社交平臺(tái)上“種草”行為對(duì)應(yīng)用戶決策路徑的（）

A.需求確認(rèn)B.信息搜索C.方案評(píng)估D.購(gòu)買(mǎi)后分享對(duì)異常值最不敏感的集中趨勢(shì)度量是（）

A.均值B.中位數(shù)C.眾數(shù)D.標(biāo)準(zhǔn)差下列關(guān)于Python集合的描述正確的是（）

A.有序B.元素可重復(fù)C.支持差集運(yùn)算D.可用索引訪問(wèn)在Sklearn中邏輯回歸默認(rèn)的求解器是（）

A.liblinearB.sagaC.lbfgsD.newton-cg二、多項(xiàng)選擇能夠直接統(tǒng)計(jì)DataFrame每列缺失值的函數(shù)有（）

A.isnull()B.isna()C.dropna()D.sum()E.info()下列屬于“內(nèi)容型”短視頻商業(yè)合作模式的有（）

A.達(dá)人種草B.信息流廣告C.直播帶貨D.品牌挑戰(zhàn)賽E.二次創(chuàng)作分發(fā)關(guān)于thon函數(shù)參數(shù)，說(shuō)法正確的有（）

A.支持默認(rèn)值B.支持可變長(zhǎng)參數(shù)C.支持關(guān)鍵字參數(shù)D.參數(shù)順序必須固定E.可用類(lèi)型注解電商平臺(tái)大促期間常用的“價(jià)格型”指標(biāo)有（）

A.折扣率B.件單價(jià)C.優(yōu)惠券面額D.毛利率E.ROI下列代碼能正確實(shí)現(xiàn)DataFrame按列歸一化的有（）

A.(df-df.min())/(df.max()-df.min())

B.df.apply(lambdax:(x-x.mean())/x.std())

C.df//df.max()

D.sklearn.preprocessing.MinMaxScaler().fit_transform(df)

E.df.scale()三、判斷題plt.legend()必須在plt.plot()之前調(diào)用才能顯示圖例。（）用戶最近一次下單距今天數(shù)越少，RFM中R得分越高。（）在Python中，列表推導(dǎo)式比f(wàn)or循環(huán)速度更慢。（）短視頻完播率越高，平臺(tái)推薦權(quán)重通常越大。（）使用seaborn.heatmap()時(shí)，相關(guān)系數(shù)矩陣必須先調(diào)用corr()計(jì)算。（）四、簡(jiǎn)答題簡(jiǎn)述使用pandas完成“缺失值占比統(tǒng)計(jì)+可視化”的兩步核心代碼。說(shuō)明“訂單轉(zhuǎn)化率”與“支付轉(zhuǎn)化率”在統(tǒng)計(jì)口徑上的差異。寫(xiě)出NumPy中創(chuàng)建3×3單位矩陣的代碼，并給出兩種不同寫(xiě)法。五、論述題結(jié)合教材案例，闡述利用Python對(duì)短視頻評(píng)論進(jìn)行情感分析的完整流程（數(shù)據(jù)獲取→預(yù)處理→模型→可視化→業(yè)務(wù)應(yīng)用）。結(jié)合教材案例，論述如何利用Python構(gòu)建完的電商用戶畫(huà)像在精準(zhǔn)營(yíng)銷(xiāo)中的應(yīng)用。Python商務(wù)數(shù)據(jù)分析與應(yīng)用試卷二答案一、單項(xiàng)選擇答案：A答案：C答案：B答案：A答案：B答案：D答案：B答案：B答案：C答案：C二、多項(xiàng)選擇答案：ABD答案：ADE答案：ABCE答案：ABCD答案：ABD三、判斷題（×）（√）（×）（√）（√）四、簡(jiǎn)答題簡(jiǎn)述使用pandas完成“缺失值占比統(tǒng)計(jì)+可視化”的兩步核心代碼。

參考答案

missing=df.isnull().sum()/len(df)

missing.plot(kind='bar')說(shuō)明“訂單轉(zhuǎn)化率”與“支付轉(zhuǎn)化率”在統(tǒng)計(jì)口徑上的差異。

參考答案

訂單轉(zhuǎn)化率=下單訪客/總訪客；支付轉(zhuǎn)化率=完成付款的訂單/總訂單。前者衡量購(gòu)買(mǎi)意愿，后者衡量支付成功。寫(xiě)出NumPy中創(chuàng)建3×3單位矩陣的代碼，并給出兩種不同寫(xiě)法。

參考答案

np.eye(3)或np.identity(3)五、論述題結(jié)合教材案例，闡述利用Python對(duì)短視頻評(píng)論進(jìn)行情感分析的完整流程（數(shù)據(jù)獲取→預(yù)處理→模型→可視化→業(yè)務(wù)應(yīng)用）。

評(píng)分要點(diǎn)數(shù)據(jù)獲?。豪枚兑?快手開(kāi)放平臺(tái)API或Scrapy爬取目標(biāo)短視頻下方的全部評(píng)論，獲取字段包括comment_id、user_id、評(píng)論正文、點(diǎn)贊數(shù)、時(shí)間戳，并保存為CSV或直接進(jìn)入DataFrame。數(shù)據(jù)預(yù)處理：①去重與缺失值清洗。②正則過(guò)濾：去除表情符號(hào)、特殊字符、URL，只保留中英文和數(shù)字。③分詞與停用詞。④標(biāo)注樣本（可選）：隨機(jī)抽取2000條評(píng)論人工標(biāo)注正向/中性/負(fù)向，用于后續(xù)模型訓(xùn)練或驗(yàn)證。情感模型：①快速方案：采用SnowNLP內(nèi)置情感字典，直接輸出0-1概率，按閾值劃分三分類(lèi)。②精度提升方案：用標(biāo)注樣本對(duì)BERT-base-chinese進(jìn)行三分類(lèi)微調(diào)，2-3輪即可達(dá)到90%左右準(zhǔn)確率；將訓(xùn)練好的模型導(dǎo)出，批量預(yù)測(cè)全部評(píng)論。③結(jié)果輸出：為每條評(píng)論賦予情感標(biāo)簽（正/中/負(fù)）及置信度，并計(jì)算評(píng)論級(jí)情感得分?？梢暬孩偾楦蟹植硷瀳D：展示正向、中性、負(fù)面評(píng)論占比。②情感-點(diǎn)贊散點(diǎn)圖：觀察高贊評(píng)論的情感傾向，定位潛在高影響力負(fù)面評(píng)價(jià)。③時(shí)間序列情感曲線：按日計(jì)算平均情感得分，監(jiān)測(cè)口碑波動(dòng)。④詞云與高頻詞柱狀圖：正向詞云用于廣告素材，負(fù)面高頻詞用于產(chǎn)品改進(jìn)清單。業(yè)務(wù)應(yīng)用：①負(fù)面預(yù)警：設(shè)定“負(fù)向+高贊”閾值，自動(dòng)推送客服系統(tǒng)，30分鐘內(nèi)回復(fù)，降低退貨與口碑風(fēng)險(xiǎn)。②內(nèi)容迭代：將正向高頻詞寫(xiě)入下期短視頻標(biāo)題與腳本，提高用戶共鳴與轉(zhuǎn)化率。③廣告創(chuàng)意：截取高得分正向評(píng)論截圖作為廣告素材，CTR提升20%以上。④復(fù)盤(pán)報(bào)告：按5W模式輸出“誰(shuí)在對(duì)什么內(nèi)容通過(guò)哪個(gè)渠道表達(dá)了何種效果”，為下一輪短視頻選題、投放預(yù)算與產(chǎn)品優(yōu)化提供數(shù)據(jù)依據(jù)。結(jié)合教材案例，論述如何利用Python構(gòu)建電商用戶畫(huà)