本篇文章主要為大家總結(jié)python數(shù)據(jù)分析與可視化期末老師劃過(guò)重點(diǎn)的重點(diǎn)題目，希望對(duì)小伙伴們有所幫助！

一、選擇題

1、關(guān)于標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化，下列說(shuō)法中錯(cuò)誤的是(B)。

A. 經(jīng)過(guò)該方法處理后的數(shù)據(jù)均值為0，標(biāo)準(zhǔn)差為1

B. 可能會(huì)改變數(shù)據(jù)的分布情況

C.Python中可自定義該方法實(shí)現(xiàn)函數(shù):

def StandardScaler(data):

data=(data-data.mean())/data.std()

return data

D. 計(jì)算公式為X*=(X-`X)/σ

2、使用 pivot_table 函數(shù)制作透視表用下列(A)參數(shù)設(shè)置行分組鍵。

A. index

B. raw

C. values

D. data

3、下列 loc、iloc、ix 屬性的用法正確的是(D)

A. df.loc[‘列名’,‘索引名’];df.iloc[‘索引位置’,‘列位置’];df.ix[‘索引位置’, ‘列名’]

B. df.loc[‘索引名’,‘列名’];df.iloc[‘索引位置’,‘列名’];df.ix[‘索引位置’, ‘列名’]

C. df.loc[‘索引名’,‘列名’];df.iloc[‘索引位置’,‘列名’];df.ix[‘索引名’, ‘列位置’]

D. df.loc[‘索引名’,‘列名’];df.iloc[‘索引位置’,‘列位置’];df.ix[‘索引位置’, ‘列位置’]

4、以下最能體現(xiàn)ufunc 函數(shù)特點(diǎn)的是(C)

A. 又叫通用函數(shù)

B. 對(duì)數(shù)組里的每一個(gè)元素逐一操作

C. 對(duì)整個(gè)數(shù)組進(jìn)行操作

D. 數(shù)組里的元素都是相同類型的

5、使用其本身可以達(dá)到數(shù)據(jù)透視功能的函數(shù)是(D)

A. groupby

B. transform

C. cosstab

D. pivot_table

6、以下關(guān)于數(shù)據(jù)分析預(yù)處理的過(guò)程描述正確的是(C)。

A. 數(shù)據(jù)清洗包含了數(shù)據(jù)標(biāo)準(zhǔn)化、數(shù)據(jù)合并和缺失值處理

B. 數(shù)據(jù)合并按照合并軸方向主要分為左連接、右連接、內(nèi)連接和外連接

C. 預(yù)處理過(guò)程主要包括數(shù)據(jù)清洗、數(shù)據(jù)合并、數(shù)據(jù)標(biāo)準(zhǔn)化和數(shù)據(jù)轉(zhuǎn)換，它們之間存在交叉，沒有嚴(yán)格的先后關(guān)系

D. 數(shù)據(jù)標(biāo)準(zhǔn)化的主要對(duì)象是類別型的特征

7、以下關(guān)于pandas數(shù)據(jù)預(yù)處理說(shuō)法正確的是(D)。

A. pandas沒有做啞變量的函數(shù)

B. 在不導(dǎo)人其他庫(kù)的情況下，僅僅使用pandas 就可實(shí)現(xiàn)聚類分析離散化

C. pandas 可以實(shí)現(xiàn)所有的數(shù)據(jù)預(yù)處理操作

D. cut 函數(shù)默認(rèn)情況下做的是等寬法離散化

8、以下關(guān)于drop_duplicates函數(shù)的說(shuō)法中錯(cuò)誤的是(B)。

A. 僅對(duì) DataFrame 和 Series 類型的數(shù)據(jù)有效

B. 僅支持單一特征的數(shù)據(jù)去重

C. 數(shù)據(jù)重復(fù)時(shí)默認(rèn)保留第一個(gè)數(shù)據(jù)

D. 該函數(shù)不會(huì)改變?cè)紨?shù)據(jù)排列

9、下列與標(biāo)準(zhǔn)化方法有關(guān)的說(shuō)法中錯(cuò)誤的是(A)。

A. 離差標(biāo)準(zhǔn)化簡(jiǎn)單易懂，對(duì)最大值和最小值敏感度不高

B. 常用的標(biāo)準(zhǔn)化方法，又名零一均值標(biāo)準(zhǔn)化

C. 小數(shù)定標(biāo)標(biāo)準(zhǔn)化實(shí)質(zhì)上就是將數(shù)據(jù)按照一定的比例縮小

D. 多個(gè)特征的數(shù)據(jù)的KMeans 聚類不需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化

10、以下關(guān)于異常值檢測(cè)的說(shuō)法中錯(cuò)誤的是(B)。

A. 3σ原則利用了統(tǒng)計(jì)學(xué)中小概率事件的原理

B. 使用箱線圖方法時(shí)要求數(shù)據(jù)服從或近似服從正態(tài)分布

C. 基于聚類的方法可以進(jìn)行離群點(diǎn)檢測(cè)

D. 基于分類的方法可以進(jìn)行離群點(diǎn)檢測(cè)

11、下列關(guān)于 concat 函數(shù)、append 方法、merge 函數(shù)和 join 方法的說(shuō)法正確的是(D)。

A. concat是最常用的主鍵合并的函數(shù)，能夠?qū)崿F(xiàn)內(nèi)連接和外連接

B. append方法只能用來(lái)做縱向堆疊，適用于所有縱向堆疊情況

C. merge 是最常用的主鍵合并的函數(shù)，但不能夠?qū)崿F(xiàn)左連接和右連接

D. join是常用的主鍵合并方法之一，但不能夠?qū)崿F(xiàn)左連接和右連接

12、下列說(shuō)法正確的是(C)。

A. 散點(diǎn)圖不能在子圖中繪制

B. 散點(diǎn)圖的x軸刻度必須為數(shù)值

C. 折線圖可以用作查看特征間的趨勢(shì)關(guān)系

D. 箱線圖可以用來(lái)查看特征間的相關(guān)關(guān)系

13、創(chuàng)建一個(gè)3×3的數(shù)組，下列代碼中錯(cuò)誤的是（C）

A、np.arange(0,9).reshape(3,3)

B、np.eyes(3)

C、np.random.random([3,3,3])

D、np.mat(“1,2,3;4,5,6;7,8,9”)

14、Numpy中統(tǒng)計(jì)數(shù)組元素個(gè)數(shù)的方法是（C）

A、ndim

B、shape

C、size

D、itemsize

15、以下關(guān)于缺失值檢測(cè)的說(shuō)法中，正確的是（B）

A、null和notnull可以對(duì)缺失值進(jìn)行處理

B、dropna方法既可以刪除觀測(cè)記錄，也可以刪除特征

C、fillna方法中用來(lái)替換缺失值的值只能是數(shù)據(jù)框

D、pandas庫(kù)中的interpolate模塊包含多種插值方法

16、利用可視化繪圖（C）可以發(fā)現(xiàn)數(shù)據(jù)的異常點(diǎn)。

A、密度圖

B、直方圖

C、盒圖

D、概率圖

17、Matplotlib中的（A）包提供了一批操作和繪圖函數(shù)。

A、pyplot

B、Bar

C、rcparams

D、pprint

18、下列參數(shù)中調(diào)整后顯示中文的是（C）

A、lines.linestyle

B、lines.linewidth

C、font.sans-serif

D、axes.unicode_minus

19、以下關(guān)于繪圖標(biāo)準(zhǔn)流程說(shuō)法錯(cuò)誤的是（B）

A、繪制簡(jiǎn)單的圖形可以使用缺省的畫布

B、添加圖例可以在繪制圖形之前

C、添加X軸、Y軸的標(biāo)簽可以在繪制圖形之前

D、修改X軸、Y軸的標(biāo)簽和繪制的圖形沒有先后

20、numpy提供了兩種基本對(duì)象，一種是ndarray，一種是（B）

A、array

B、ufunc

C、matrix

D、Series

21、以下說(shuō)法錯(cuò)誤的是（C）

A、餅圖一般用于表示不同分類的占比情況

B、箱線圖展示了分位數(shù)的位置

C、散點(diǎn)圖無(wú)法反映特征之間的統(tǒng)計(jì)關(guān)系

D、詞云對(duì)于文本中出現(xiàn)頻率較高的關(guān)鍵詞予以視覺上的突出

二、判斷題

1、兩個(gè)索引不一致的series進(jìn)行算數(shù)運(yùn)算會(huì)出錯(cuò)。（×）

2、創(chuàng)建DataFrame時(shí)會(huì)自動(dòng)加上索引，且全部列會(huì)被有序排列。（√）

3、pandas中數(shù)據(jù)的重建索引指對(duì)索引重新排序而不是修改。（√）

4、交叉表是一種特殊的透視表，主要用于計(jì)算分組頻率。（√）

5、pandas中的數(shù)據(jù)對(duì)象的索引可以隨時(shí)被修改。（×）

6、創(chuàng)建Series時(shí)如果指定了index，則只能用index訪問(wèn)數(shù)據(jù)。（×）

7、pandas中利用merge函數(shù)合并數(shù)據(jù)表時(shí)默認(rèn)的是內(nèi)連接方式。（√）

8、pandas中的描述性統(tǒng)計(jì)一般會(huì)包括缺失數(shù)據(jù)。（×）

9、語(yǔ)句dataframe.dropna(thresh=len(df)*0.9,axis=1)表示如果某列的缺失值超過(guò)90%則刪除該列。（×）

10、利用merge方法合并數(shù)據(jù)時(shí)允許合并的dataframe之間沒有連接鍵。（×）

11、啞變量（Dummy Variables)又稱虛擬變量，是用以反映質(zhì)的屬性的一個(gè)人工變量。（√）

12、Seaborn的繪圖更加便捷美觀，是Matplotlib的替代。（×）

13、需要轉(zhuǎn)換默認(rèn)的Seaborn繪圖風(fēng)格，只需調(diào)用有參數(shù)設(shè)置的set方法。（×）

14、使用Seaborn中的set_style()設(shè)置主題，有5個(gè)預(yù)設(shè)的主題。（√）

15、熱力圖的實(shí)現(xiàn)過(guò)程是將離散的點(diǎn)信息映射為圖像。（√）

16、列表是不可變對(duì)象，支持在原處修改。（×）

17、元組是不可變的，不能直接修改元組中元素的值，也不能為元組增刪元素。（√）

18、python使用lambda創(chuàng)建匿名函數(shù)，匿名函數(shù)擁有自己的命名空間。（√）

19、同一個(gè)列表中的元素的數(shù)據(jù)類型可以各不相同。（√）

20、列表、元組和字符串屬于有序序列，其中的元素有嚴(yán)格的先后順序。（√）

21、集合中的元素沒有特定順序但可以重復(fù)。（×）

22、列表推導(dǎo)式在邏輯上等價(jià)于一個(gè)循環(huán)語(yǔ)句，只是形式上更加簡(jiǎn)潔。（√）

23、在python中創(chuàng)建一個(gè)空集合，可以直接用set1={}。（×）

24、列表、元組和字符串都支持雙向索引，有效索引的范圍是[-L,L],L為列表、元組或字符串的長(zhǎng)度。（×）

25、包含列表的元組可以作為字典的鍵。（×）

總結(jié)

這篇文章先總結(jié)選擇題和判斷題，請(qǐng)大家關(guān)注我，為大家繼續(xù)總結(jié)填空題、簡(jiǎn)答題和編程題。

如果這篇文章對(duì)大家有所幫助，請(qǐng)大家點(diǎn)贊＋收藏喲！您的支持是我繼續(xù)創(chuàng)作的最大動(dòng)力！