2026年P(guān)ython數(shù)據(jù)分析與應(yīng)用試題一、選擇題（共10題，每題2分，計(jì)20分）（本部分側(cè)重Python基礎(chǔ)與數(shù)據(jù)分析常用庫(kù)的應(yīng)用，結(jié)合長(zhǎng)三角地區(qū)制造業(yè)數(shù)據(jù)場(chǎng)景）1.在處理長(zhǎng)三角某制造業(yè)企業(yè)的生產(chǎn)數(shù)據(jù)時(shí)，發(fā)現(xiàn)某列數(shù)據(jù)類(lèi)型混雜，包含數(shù)字與文本，以下哪種方法最能有效將其統(tǒng)一為數(shù)值型？（）A.使用`pandas.to_numeric()`直接轉(zhuǎn)換B.使用`numpy.astype()`強(qiáng)制轉(zhuǎn)換C.使用正則表達(dá)式提取數(shù)字后轉(zhuǎn)換D.使用`df.apply()`逐行判斷轉(zhuǎn)換2.讀取上海某港口的CSV文件時(shí)，發(fā)現(xiàn)部分日期字段格式不統(tǒng)一（如"2023-01-15"和"15/01/2023"），應(yīng)優(yōu)先使用哪個(gè)庫(kù)的函數(shù)進(jìn)行標(biāo)準(zhǔn)化？（）A.`numpy.strptime()`B.`datetime.strptime()`C.`pandas.to_datetime()`（默認(rèn)解析）D.`re.sub()`配合正則表達(dá)式3.對(duì)于某城市（如杭州）的空氣質(zhì)量PM2.5數(shù)據(jù)，計(jì)算每日最大值并按降序排列，以下哪個(gè)代碼片段效率最高？（）python選項(xiàng)略提示：數(shù)據(jù)量約10萬(wàn)行。4.在分析珠三角某電子廠的產(chǎn)品缺陷數(shù)據(jù)時(shí)，需篩選出"缺陷類(lèi)型"為"短路"且"生產(chǎn)線(xiàn)編號(hào)"為"3C01"的記錄，以下哪個(gè)條件表達(dá)式最簡(jiǎn)潔？（）python選項(xiàng)略5.使用Matplotlib繪制某城市（成都）2023年各月降雨量折線(xiàn)圖時(shí)，若需突出顯示異常值（如洪澇月份），應(yīng)使用哪個(gè)方法？（）A.`plot()`的`marker='o'`參數(shù)B.`axvline()`添加垂直參考線(xiàn)C.`scatter()`疊加散點(diǎn)圖D.`fill_between()`填充置信區(qū)間6.在使用Scikit-learn進(jìn)行某電商用戶(hù)畫(huà)像聚類(lèi)時(shí)，選擇K-means算法，以下哪個(gè)指標(biāo)最適合確定最優(yōu)K值？（）A.方差分析（ANOVA）B.輪廓系數(shù)（SilhouetteScore）C.決策樹(shù)基尼系數(shù)D.熵值法7.對(duì)于某景區(qū)（黃山）的游客流量數(shù)據(jù)，需檢測(cè)是否存在異常波動(dòng)（如節(jié)假日突增），以下哪種方法最常用？（）A.相關(guān)性分析B.時(shí)間序列分解（STL）C.獨(dú)立樣本t檢驗(yàn)D.卡方檢驗(yàn)8.在處理某金融機(jī)構(gòu)（深圳某銀行）的客戶(hù)交易數(shù)據(jù)時(shí)，需按"交易金額"分組并計(jì)算每組的平均交易時(shí)間，以下哪個(gè)函數(shù)最適用？（）python選項(xiàng)略9.使用Seaborn繪制某?。ńK）不同城市GDP的箱線(xiàn)圖時(shí)，若需區(qū)分"產(chǎn)業(yè)結(jié)構(gòu)類(lèi)型"（如制造業(yè)/服務(wù)業(yè)），應(yīng)使用哪個(gè)參數(shù)？（）A.`hue`參數(shù)B.`size`參數(shù)C.`style`參數(shù)D.`order`參數(shù)10.對(duì)于某新能源企業(yè)（如比亞迪）的電池壽命測(cè)試數(shù)據(jù)，需構(gòu)建線(xiàn)性回歸模型預(yù)測(cè)壽命，以下哪個(gè)庫(kù)的函數(shù)最推薦？（）A.`statsmodels.OLS()`B.`scipy.optimize.curve_fit()`C.`sklearn.linear_model.LinearRegression`D.`TensorFlow`的Sequential模型二、填空題（共5題，每空2分，計(jì)20分）（本部分結(jié)合京津冀地區(qū)農(nóng)業(yè)氣象數(shù)據(jù)分析場(chǎng)景）1.在使用Pandas處理某地（北京）的氣象數(shù)據(jù)時(shí)，若某列包含"缺失值"字樣，可通過(guò)`______`函數(shù)將其統(tǒng)一替換為`NaN`。2.使用NumPy計(jì)算某地（天津）過(guò)去30天溫度數(shù)據(jù)的平均值時(shí)，若數(shù)據(jù)存儲(chǔ)在`temp`數(shù)組中，應(yīng)使用`______`函數(shù)，并指定`axis=0`以按天聚合。3.在繪制某?。ê颖保┬←湲a(chǎn)量與降水量關(guān)系散點(diǎn)圖時(shí)，若需用不同顏色區(qū)分"種植密度"（高/中/低），可使用Matplotlib的`______`參數(shù)傳遞分類(lèi)標(biāo)簽。4.使用Scikit-learn進(jìn)行某地（河北某縣）小麥病蟲(chóng)害預(yù)測(cè)時(shí)，若需標(biāo)準(zhǔn)化特征值，應(yīng)先創(chuàng)建`MinMaxScaler()`對(duì)象，然后調(diào)用其`______`方法擬合訓(xùn)練數(shù)據(jù)。5.對(duì)于某地（河北）的農(nóng)業(yè)遙感影像數(shù)據(jù)，若需提取植被指數(shù)（如NDVI），可通過(guò)計(jì)算紅光波段（R）與近紅外波段（NIR）的比值`______`得到。三、簡(jiǎn)答題（共4題，每題10分，計(jì)40分）（本部分結(jié)合粵港澳大灣區(qū)金融數(shù)據(jù)分析場(chǎng)景）1.數(shù)據(jù)清洗問(wèn)題：某金融機(jī)構(gòu)（廣州某銀行）提供的是深圳某企業(yè)的信用數(shù)據(jù)，包含缺失值、異常值和重復(fù)記錄。請(qǐng)簡(jiǎn)述使用Pandas進(jìn)行數(shù)據(jù)清洗的步驟，并舉例說(shuō)明如何處理缺失值（如用均值填充）和異常值（如箱線(xiàn)圖法）。2.時(shí)間序列分析：某城市（深圳）2023年股市交易數(shù)據(jù)存儲(chǔ)在CSV文件中，時(shí)間字段為"YYYY-MM-DDHH:MM"。請(qǐng)簡(jiǎn)述如何將其轉(zhuǎn)換為Pandas的`DatetimeIndex`，并計(jì)算每小時(shí)的平均交易量。3.特征工程問(wèn)題：某地（香港）的房產(chǎn)交易數(shù)據(jù)包含"面積（㎡）"和"樓層"，如何構(gòu)造新的特征"單位面積價(jià)格（元/㎡）"？若需分類(lèi)"高性?xún)r(jià)比"（如價(jià)格低于區(qū)域均值），如何實(shí)現(xiàn)？4.模型評(píng)估問(wèn)題：使用某地（珠海）的電商用戶(hù)購(gòu)買(mǎi)數(shù)據(jù)訓(xùn)練邏輯回歸模型，評(píng)估指標(biāo)應(yīng)優(yōu)先選擇哪些？為什么？若發(fā)現(xiàn)模型過(guò)擬合，可采取哪些緩解措施？四、編程題（共3題，第1題15分，第2題20分，第3題25分，計(jì)60分）（本部分結(jié)合長(zhǎng)三角制造業(yè)生產(chǎn)數(shù)據(jù)分析場(chǎng)景）1.數(shù)據(jù)聚合與可視化（15分）某制造企業(yè)（蘇州某廠）提供2023年生產(chǎn)數(shù)據(jù)（CSV格式），字段包括"日期"、"產(chǎn)品ID"、"生產(chǎn)線(xiàn)編號(hào)"、"缺陷類(lèi)型"、"缺陷數(shù)量"。-要求1：讀取數(shù)據(jù)，篩選出"缺陷類(lèi)型"為"劃痕"的記錄，按"日期"和"生產(chǎn)線(xiàn)編號(hào)"分組，計(jì)算每日每條生產(chǎn)線(xiàn)的劃痕總數(shù)。-要求2：使用Matplotlib繪制折線(xiàn)圖，X軸為日期，Y軸為劃痕總數(shù)，不同生產(chǎn)線(xiàn)用不同顏色表示。2.異常檢測(cè)與處理（20分）某電子廠（南京某廠）提供2023年質(zhì)檢數(shù)據(jù)（CSV格式），字段包括"產(chǎn)品ID"、"重量（g）"、"尺寸（cm）"。部分產(chǎn)品存在測(cè)量誤差（如重量遠(yuǎn)超正常范圍）。-要求1：使用IQR方法檢測(cè)重量列的異常值，并標(biāo)記為"異常"。-要求2：對(duì)異常值使用分位數(shù)替換法（用所在分組的均值替換），并計(jì)算處理前后重量的標(biāo)準(zhǔn)差變化。3.機(jī)器學(xué)習(xí)建模（25分）某汽車(chē)零部件企業(yè)（上海某廠）提供2023年生產(chǎn)數(shù)據(jù)（CSV格式），字段包括"原材料等級(jí)"、"加工溫度"、"加工時(shí)間"、"產(chǎn)品合格率（%）"。-要求1：構(gòu)建特征矩陣X（前3列）和目標(biāo)向量y（最后一列），對(duì)X進(jìn)行標(biāo)準(zhǔn)化。-要求2：使用隨機(jī)森林模型（隨機(jī)森林）預(yù)測(cè)產(chǎn)品合格率，輸出特征重要性排序。-要求3：若發(fā)現(xiàn)"原材料等級(jí)"特征重要性低，簡(jiǎn)述可能原因并提出改進(jìn)建議。答案與解析一、選擇題答案與解析1.C解析：`pandas.to_numeric()`能處理混合類(lèi)型，`errors='coerce'`會(huì)將非數(shù)字轉(zhuǎn)為NaN。其他選項(xiàng)要么強(qiáng)制轉(zhuǎn)換導(dǎo)致錯(cuò)誤，要么效率低。2.C解析：`pandas.to_datetime()`自動(dòng)處理多種日期格式，無(wú)需手動(dòng)正則。其他選項(xiàng)需自定義解析規(guī)則，復(fù)雜度高。3.D解析：示例代碼應(yīng)使用`groupby().agg('max').sort_values()`，利用Pandas內(nèi)置方法鏈效率最高。4.A解析：示例代碼應(yīng)使用`df[(df['缺陷類(lèi)型']=='短路')&(df['生產(chǎn)線(xiàn)編號(hào)']=='3C01')]`，邏輯運(yùn)算符優(yōu)先級(jí)明確。5.C解析：疊加散點(diǎn)圖能直觀顯示異常點(diǎn)，`ax.scatter()`配合條件篩選實(shí)現(xiàn)。6.B解析：輪廓系數(shù)在0.7-1.0間表示聚類(lèi)效果好，適合K選擇。7.B解析：STL能分離趨勢(shì)、季節(jié)性和殘差，殘差部分可檢測(cè)異常波動(dòng)。8.D解析：示例代碼應(yīng)使用`groupby('交易金額').apply(lambdax:x['交易時(shí)間'].mean())`，保留分組邏輯。9.A解析：`hue`參數(shù)支持分類(lèi)顏色區(qū)分，其他參數(shù)不適用。10.C解析：`sklearn`的線(xiàn)性回歸簡(jiǎn)潔高效，適合基礎(chǔ)預(yù)測(cè)任務(wù)。二、填空題答案與解析1.`replace()`解析：Pandas的`replace()`默認(rèn)用`NaN`替換缺失標(biāo)識(shí)。2.`mean()`解析：NumPy的`mean()`支持指定軸，`axis=0`按列計(jì)算。3.`hue`解析：Matplotlib的Seaborn接口支持`hue`傳遞分類(lèi)變量。4.`fit_transform()`解析：`MinMaxScaler`需先擬合數(shù)據(jù)再轉(zhuǎn)換，防止數(shù)據(jù)泄露。5.`(NIR-R)/(NIR+R)`解析：NDVI公式固定，適用于遙感影像處理。三、簡(jiǎn)答題答案與解析1.數(shù)據(jù)清洗步驟-缺失值：用`df.fillna()`填充（如均值、中位數(shù)）。-異常值：用箱線(xiàn)圖或`df.query()`篩選，如劃痕數(shù)>3即異常。-重復(fù)值：用`df.drop_duplicates()`刪除。2.時(shí)間序列轉(zhuǎn)換pythondf['時(shí)間']=pd.to_datetime(df['時(shí)間'],format='%Y-%m-%d%H:%M')hourly_avg=df.set_index('時(shí)間').resample('H')['交易量'].mean()解析：`resample()`是Pandas核心功能。3.特征工程-新特征：`df['單位價(jià)格']=df['總價(jià)']/df['面積']`。-分類(lèi)：`df['性?xún)r(jià)比']=df['單位價(jià)格']<df.groupby('區(qū)域')['單位價(jià)格'].mean()`。4.模型評(píng)估-指標(biāo)：AUC（平衡性）、F1（類(lèi)別不平衡）。-過(guò)擬合緩解：增加數(shù)據(jù)量、正則化（L1/L2）、交叉驗(yàn)證。四、編程題答案與解析1.數(shù)據(jù)聚合與可視化pythondf=pd.read_csv('生產(chǎn)數(shù)據(jù).csv')result=df[df['缺陷類(lèi)型']=='劃痕'].groupby(['日期','生產(chǎn)線(xiàn)編號(hào)']).agg({'缺陷數(shù)量':'sum'}).reset_index()plt.figure(figsize=(10,6))sns.lineplot(data=result,x='日期',y='缺陷數(shù)量',hue='生產(chǎn)線(xiàn)編號(hào)')2.異常檢測(cè)與處理pythonq1,q3=df['重量'].quantile([0.25,0.75])iqr=q3-q1df['異常']=(df['重量']<q1-1.5iqr)|(df['重量']>q3+1.5iqr)df.loc[df['異常'],'重量']=df.loc[df['異常'],'重量'].apply(lambdax:df.loc[df['生產(chǎn)線(xiàn)編號(hào)']==df.loc[df['異常'],'生產(chǎn)線(xiàn)編號(hào)']]['重量'].mean())std_before=df['重量'].std()3.機(jī)器學(xué)習(xí)建模pythonX=df[['原材料等級(jí)','加工溫度','加工時(shí)間']]y=df['產(chǎn)品合格率']scaler=StandardScaler()X_scaled