2026年Python數據分析能力提升培訓試卷(含答案)

2026年Python數據分析能力提升培訓試卷(含答案)一、單項選擇題（本大題共15小題，每小題2分，共30分。在每小題列出的四個備選項中只有一個是符合題目要求的，請將其代碼填在題后的括號內。）1.在Python的數據分析生態系統中，用于提供高性能多維數組對象及其相關工具的基礎庫是（）。A.PandasB.NumPyC.MatplotlibD.Scikit-learn2.使用Pandas庫讀取CSV文件時，默認返回的數據結構類型是（）。A.SeriesB.DataFrameC.ndarrayD.Panel3.若要查看DataFrame對象df的前5行數據，應使用的方法是（）。A.df.head(5)B.df.top(5)C.df.first(5)D.df.preview(5)4.在NumPy中，創建一個3行4列的所有元素都為0的數組，正確的代碼是（）。A.np.zeros(3,4)B.np.zeros((3,4))C.np.zeros([3,4])D.np.zero(3,4)5.Pandas中用于處理時間序列的主要對象是（）。A.DatetimeIndexB.PeriodIndexC.TimedeltaD.Timestamp6.在進行數據清洗時，若要刪除DataFrame中包含缺失值的行，通常使用的參數配置是（）。A.df.dropna(axis=0)B.df.dropna(axis=1)C.df.fillna(0)D.df.isnull()7.下列關于DataFrame中`loc`和`iloc`索引器的描述，正確的是（）。A.loc是基于位置的索引，iloc是基于標簽的索引B.loc是基于標簽的索引，iloc是基于位置的索引C.兩者都可以混合使用標簽和位置D.兩者在性能上沒有區別8.使用Matplotlib繪制折線圖時，用于設置圖表標題的函數是（）。A.plt.xlabel()B.plt.ylabel()C.plt.title()D.plt.legend()9.在Pandas中，兩個DataFrame進行橫向拼接（按列合并）時，通常使用的函數是（）。A.merge()B.join()C.concat()D.append()10.若要計算DataFrame中某列數據的標準差，默認使用的方法是（）。A.mean()B.median()C.std()D.var()11.在Seaborn庫中，用于繪制單變量分布圖的常用函數是（）。A.sns.scatterplot()B.sns.barplot()C.sns.histplot()D.sns.heatmap()12.Pandas中`groupby`操作后，若要對分組數據進行多個聚合計算（如同時求和與均值），應使用的方法是（）。A..agg()B..apply()C..transform()D..filter()13.在NumPy數組運算中，廣播機制的核心規則是（）。A.所有數組的維度必須完全相同B.維度從尾部開始對齊，維度為1或缺失的可以擴展C.維度必須從頭部開始對齊D.只有一維數組可以廣播14.使用Scikit-learn進行數據預處理時，用于將數值特征標準化到0均值和單位方差的是（）。A.MinMaxScalerB.StandardScalerC.NormalizerD.RobustScaler15.下列哪種情況適合使用`pd.pivot_table`而不是`pd.groupby`？（）A.只需要簡單的分組求和B.需要計算多重索引的分組統計C.需要將長格式數據轉換為寬格式數據，并指定特定的行列索引及填充值D.需要對時間序列進行重采樣二、多項選擇題（本大題共10小題，每小題3分，共30分。在每小題列出的五個備選項中至少有兩個是符合題目要求的，請將其代碼填在題后的括號內。多選、少選、錯選均不得分。）1.下列屬于Python數據分析常用第三方庫的有（）。A.SciPyB.StatsmodelsC.TensorFlowD.PyTorchE.Requests2.Pandas的DataFrame對象可以由以下哪些數據結構創建？（）A.字典B.列表C.NumPy數組D.另一個DataFrameE.Series對象3.處理缺失值時，常見的策略包括（）。A.刪除缺失值B.均值/中位數填充C.眾數填充D.前向填充或后向填充E.插值法填充4.關于Matplotlib的pyplot模塊，下列說法正確的有（）。A.是Matplotlib的基于狀態的接口B.通常別名為pltC.可以自動創建Figure和Axes對象D.無法在JupyterNotebook中直接顯示圖片E.plt.subplots()可以創建包含多個子圖的圖表5.Pandas中進行數據合并時，merge函數的how參數支持的模式包括（）。A.leftB.rightC.outerD.innerE.cross6.NumPy數組的切片操作與Python列表的切片操作相比，具有哪些特點？（）A.返回的是原數組的視圖而非副本B.支持多維切片C.切片操作不會占用額外的內存空間D.修改切片會影響原數組E.切片語法完全不同7.在使用Seaborn繪制熱力圖時，通常需要關注的參數或屬性有（）。A.data（傳入的數據矩陣）B.annot（是否顯示數值）C.cmap（對顏色映射）D.linewidths（格線寬度）E.orient（方向，注意heatmap通常不需要此參數）8.下列關于時間序列數據處理的描述，正確的有（）。A.pd.to_datetime()可以將字符串轉換為時間戳B.resample()用于時間頻率的重采樣C.rolling()用于計算滾動窗口統計量D.shift()用于數據滯后或超前移動E.時間序列索引必須是唯一的9.Scikit-learn庫的主要模塊包含（）。A.sklearn.cluster（聚類）B.sklearn.decomposition（降維）C.sklearn.linear_model（線性模型）D.sklearn.model_selection（模型選擇）E.sklearn.datasets（數據集）10.在進行數據特征工程時，常見的操作有（）。A.特征二值化B.獨熱編碼C.特征離散化D.特征交叉E.異常值檢測與處理三、填空題（本大題共10小題，每小題2分，共20分。請將答案填在題中的橫線上。）1.在JupyterNotebook中，若要使Matplotlib繪制的圖形直接嵌入在單元格下方顯示，通常需要使用魔法命令：________。2.Pandas中，用于將寬格式數據轉換為長格式數據的函數是________。3.NumPy中，用于計算兩個數組的點積（內積）的函數是________。4.若要獲取DataFrame的列名列表，可以通過訪問其________屬性來實現。5.在正則表達式處理中，Pandas的Series對象提供了________方法，用于提取匹配到的字符串組。6.Matplotlib中，若要保存當前圖形為圖片文件，應使用________函數。7.在Pandas中，若要根據列值的大小將數據分為不同的區間，可以使用________函數或________函數。8.Seaborn是基于Matplotlib開發的，它主要提供了更高級的API和更美觀的________。9.使用Scikit-learn劃分訓練集和測試集的函數位于sklearn.model_selection模塊中，該函數名為________。10.四分位距（IQR）是描述數據離散程度的指標，計算公式為上四分位數（Q3）減去________。四、簡答題（本大題共5小題，每小題6分，共30分。）1.請簡述Pandas中`apply`函數與`map`函數的主要區別及適用場景。2.在數據分析中，什么是數據泄露？請舉例說明在特征工程或模型訓練中如何避免數據泄露。3.解釋NumPy中的視圖與副本的概念，并說明它們在內存管理上的影響。4.請列舉至少三種評估回歸模型性能的指標，并簡要說明其含義。5.在使用Matplotlib進行繪圖時，什么是面向對象繪圖？它與Pyplot狀態機接口相比有什么優勢？五、應用題（本大題共5小題，共80分。請寫出詳細的代碼或分析步驟。）1.（15分）數據加載與基礎分析。假設有一個名為`sales_data.csv`的文件，包含以下列：`Date`（日期字符串），`Product`（產品名稱），`Region`（地區），`Amount`（銷售額）。請編寫Python代碼完成以下任務：(1)讀取數據，并將`Date`列轉換為Pandas的時間格式，將其設為索引。(2)計算每個地區的總銷售額，并找出銷售額最高的地區。(3)計算每個產品的平均銷售額，并按降序排列。2.（15分）數據清洗與預處理。給定一個DataFrame`df`，其中包含數值型列`Age`和`Salary`，以及類別型列`City`。數據中存在以下問題：(1)`Age`列中存在負值，顯然是異常值。(2)`Salary`列存在缺失值。(3)`City`列存在大小寫不統一的情況（如"Beijing","beijing"）。請編寫代碼進行清洗：將`Age`列中的負值替換為該列的中位數。使用`Salary`列的均值填充缺失值。將`City`列統一轉換為首字母大寫格式。3.（15分）數據合并與重塑。有兩個DataFrame：`df1`包含員工信息：`EmpID`，`Name`，`DeptID`。`df2`包含部門信息：`DeptID`，`DeptName`，`Location`。另外有一個`df3`包含員工薪資：`EmpID`，`Year`，`Salary`。請編寫代碼：(1)將`df1`和`df2`進行左連接，保留所有員工信息，匹配部門名稱。(2)將(1)的結果與`df3`進行合并，要求保留所有員工的所有年份薪資記錄（即使某些員工沒有部門信息）。(3)使用透視表將最終結果重塑為：行是員工姓名，列是年份，值是薪資。4.（15分）數據可視化。某電商網站擁有用戶行為日志數據，包含`User_ID`，`Action_Time`，`Action_Type`（瀏覽、收藏、加購、購買）。請利用Matplotlib和Seaborn編寫代碼：(1)統計每種行為類型的次數，并繪制水平條形圖。(2)提取`Action_Time`的小時信息，統計一天24小時內用戶活躍度（總行為次數）的變化趨勢，并繪制折線圖，標記出活躍度最高的時間點。(3)繪制一個2x2的子圖布局，分別展示四種行為類型在24小時內的分布曲線。5.（20分）綜合分析案例?，F有一份`tips`數據集（Seaborn內置），包含餐廳小費數據，字段為：`total_bill`（總賬單），`tip`（小費），`sex`（性別），`smoker`（是否吸煙），`day`（星期幾），`time`（午餐/晚餐），`size`（就餐人數）。請完成以下分析任務：(1)加載數據，并添加一列`tip_rate`（小費率=tip/total_bill）。(2)分析吸煙者與非吸煙者在小費率上是否有差異（計算分組均值）。(3)分析不同就餐人數與小費金額之間的關系，使用相關系數進行度量。(4)使用`groupby`和`agg`函數，統計每天、每頓飯的平均賬單金額和小費金額。(5)篩選出賬單金額超過90%分位數的“高消費”記錄，分析這部分記錄中，性別和吸煙情況的分布。參考答案一、單項選擇題1.B2.B3.A4.B5.A6.A7.B8.C9.C10.C11.C12.A13.B14.B15.C二、多項選擇題1.AB2.ABCDE3.ABCDE4.ABCE5.ABCDE6.ABCD7.ABCD8.ABCDE9.ABCDE10.ABCDE三、填空題1.%matplotlibinline2.pd.melt3.np.dot4.columns5.str.extract6.plt.savefig(或savefig)7.pd.cut,pd.qcut8.默認樣式9.train_test_split10.下四分位數（Q1）四、簡答題1.答：`map`：主要用于Series對象，它將元素到元素的映射應用于整個Series，通常用于替換值或應用單參數函數。`apply`：既可以用于Series也可以用于DataFrame。用于Series時，它既可以接受元素級函數也可以接受返回聚合值的函數；用于DataFrame時，默認是對列進行操作（axis=0），也可以對行操作（axis=1），靈活性更高，適合處理復雜的邏輯。區別：`map`僅限于Series，且主要是逐元素操作；`apply`更通用，支持更復雜的自定義邏輯，且在DataFrame上可按軸操作。2.答：數據泄露是指在模型訓練過程中，使用了在預測時無法獲取的數據信息，導致評估指標虛高，但模型在實際應用中效果很差。舉例：在數據劃分之前，對整個數據集進行了缺失值填充（用全局均值）或標準化處理，這導致測試集的信息通過統計量泄露到了訓練集中。避免方法：必須先劃分訓練集和測試集，然后僅利用訓練集的統計量（如均值、標準差）對訓練集進行擬合，并將同樣的變換應用到測試集上。例如使用Scikit-learn的Pipeline。3.答：視圖：是原數據的引用，不占用新的內存空間。對視圖的修改會直接反映到原數組上。切片操作通常返回視圖。副本：是原數據的完整拷貝，占用新的內存空間。對副本的修改不會影響原數組。使用`.copy()`方法顯式生成副本。影響：使用視圖可以節省內存和提高性能，但在不希望修改原數據的場景下容易引入Bug；使用副本更安全，但在處理大數據時內存開銷大。4.答：均方誤差（MSE）：預測值與真實值差值的平方和的平均值，衡量預測誤差的大小。均方根誤差（RMSE）：MSE的平方根，單位與原數據一致，更直觀。平均絕對誤差（MAE）：預測值與真實值差值絕對值的平均，對異常值不敏感。R平方（R2）：決定系數，衡量模型對數據變動的解釋比例，越接近1擬合越好。5.答：面向對象繪圖：顯式地創建Figure（畫布）和Axes（坐標系）對象，然后在這些對象上調用繪圖方法（如`ax.plot()`）。優勢：更精細的控制：可以精確控制每個子圖的位置、大小和屬性。適合復雜圖表：在繪制包含多個子圖的復雜圖表時，代碼結構更清晰，不易混淆。可擴展性：便于封裝成函數進行復用。五、應用題1.解題代碼：```pythonimportpandasaspd#(1)讀取數據并處理日期df=pd.read_csv('sales_data.csv')df['Date']=pd.to_datetime(df['Date'])df.set_index('Date',inplace=True)#(2)計算地區總銷售額并找最大region_sales=df.groupby('Region')['Amount'].sum()top_region=region_sales.idxmax()print(f"銷售額最高的地區:{top_region},金額:{region_sales.max()}")#(3)計算產品平均銷售額并排序product_avg_sales=df.groupby('Product')['Amount'].mean().sort_values(ascending=False)print(product_avg_sales)```2.解題代碼：```pythonimportpandasaspdimportnumpyasnp#假設df已存在#(1)處理Age負值age_median=df['Age'].median()#將負值替換為NaN，再填充中位數，或者直接使用where/locdf.loc[df['Age']<0,'Age']=np.nandf['Age'].fillna(age_median,inplace=True)#(2)填充Salary缺失值salary_mean=df['Salary'].mean()df['Salary'].fillna(salary_mean,inplace=True)#(3)City列首字母大寫#使用str.title()會將每個單詞首字母大寫，str.capitalize()僅第一個單詞首字母大寫#這里假設城市名單詞，使用str.capitalize()或自定義處理df['City']=df['City'].str.capitalize()print(df.head())```3.解題代碼：```pythonimportpandasaspd#構造示例數據#df1=...#df2=...#df3=...#(1)df1左連接df2merged_dept=pd.merge(df1,df2,on='DeptID',how='left')#(2)結果與df3合并，保留所有薪資記錄#df3中可能有EmpID不在df1中的，或者df1中沒有DeptID的#題目要求保留所有員工的所有年份薪資記錄#第一步已經保留了所有員工，現在合并薪資full_data=pd.merge(merged_dept,df3,on='EmpID',how='outer')#注意：如果要求保留所有員工（包括沒薪資的），how='left'相對于merged_dept#如果還要保留df3中存在但df1不存在的（即孤兒薪資），用how='outer'#此處假設基于(1)的結果繼續保留所有員工信息，匹配薪資full_data=pd.merge(merged_dept,df3,on='EmpID',how='left')#(3)透視表pivot_result=full_data.pivot_table(index='Name',columns='Year',values='Salary',aggfunc='sum')print(pivot_result)```4.解題代碼：```pythonimportpandasaspdimportmatplotlib.pyplotaspltimportseabornassns#假設df已加載，Action_Time已轉為datetime#df['Action_Time']=pd.to_datetime(df['Action_Time'])#(1)行為類型水平條形圖action_counts=df['Action_Type'].value_counts()plt.figure(figsize=(10,6))sns.barplot(x=action_counts.values,y=action_counts.index,orient='h')plt.title('UserActionCounts')plt.xlabel('Count')plt.show()#(2)24小時活躍度折線圖df['Hour']=df['Action_Time'].dt.hourhourly_counts=df.groupby('Hour').size()plt.figure(figsize=(12,6))plt.plot(hourly_counts.index,hourly_counts.values,marker='o')max_hour=hourly_counts.idxmax()plt.scatter([max_hour],[hourly_counts[max()],color='red')plt.annotate(f'Peak:{max_hour}:00',xy=(max_hour,hourly_counts[max()]),xytext=(max_hour+1,hourly_counts[max()]),arrowprops=dict(facecolor='black',shrink=0.05))plt.title('UserActivitybyHour')plt.xlabel('HourofDay')plt.ylabel('ActivityCount')plt.grid(True)plt.show()#(3)2x2子圖展示四種行為分布actions=df['Action_Type'].unique()fig,axes=plt.subplots(2,2,figsize=(15,10))axes=axes.ravel()fori,actioninenumerate(actions):subset=df[df['Action_Type']==action]counts=subset.groupby('Hour').size()sns.lineplot(x=counts.index,y=counts.values,ax=axes[i])axes[i].set_title(f'{action}TrendbyHour')axes[i].set_xlabel('Hour')axes[i].set_ylabel('Count')plt.tight_layout()plt.show()```5.綜合分析代碼：```pythoni