Python數(shù)據(jù)分析案例教程課后練習(xí)題答案1-10章全章節(jié)測(cè)試題庫(kù)

1、第1章 答案1-1 現(xiàn)在讓你分析月銷量，你會(huì)使用哪種數(shù)據(jù)分析方法？答案：對(duì)比分析1-2 在分析一組數(shù)據(jù)前，發(fā)現(xiàn)并不是所有數(shù)據(jù)都是你需要的，該怎么辦？答案：通過(guò)數(shù)據(jù)處理中的數(shù)據(jù)規(guī)約，減少數(shù)據(jù)規(guī)模1-3 如果發(fā)現(xiàn)數(shù)據(jù)中存在異常數(shù)據(jù)，如年齡200，該如何處理？答案：刪除1-4 數(shù)據(jù)中存在值為0的數(shù)據(jù)影響分析結(jié)果嗎？答案：當(dāng)我們有大量完整的數(shù)據(jù)時(shí)，刪除少部分值為0的數(shù)據(jù)，對(duì)數(shù)據(jù)分析結(jié)果不會(huì)造成太大影響。1-5 Python中與數(shù)據(jù)分析相關(guān)的模塊有哪些？答案：常用模塊有數(shù)值計(jì)算模塊NumPy、數(shù)據(jù)處理分析模塊Pandas、數(shù)據(jù)可視化模塊Matplotlib、機(jī)器學(xué)習(xí)模塊scikit-learn1-6 E

2、xcel數(shù)據(jù)中存在大量空值，你將使用哪個(gè)模塊處理？答案：Pandas模塊1-1 簡(jiǎn)述NumPy模塊的由來(lái)與作用？Numeric模塊是NumPy模塊的前身，在1995年由Jim Hugunin 與其他協(xié)作者共同開(kāi)發(fā)。隨后又出現(xiàn)了Numarray模塊，該模塊與Numeric模塊相似都是用于數(shù)組計(jì)算的，但是這兩個(gè)模塊都有著各自的優(yōu)勢(shì)，對(duì)于開(kāi)發(fā)者來(lái)說(shuō)，需要根據(jù)不同的需求選擇開(kāi)發(fā)效率更高的模塊。在2006年Travis Oliphant將Numeric模塊中結(jié)合了Numarray模塊的優(yōu)點(diǎn)，并加入了其他擴(kuò)展而開(kāi)發(fā)了 NumPy模塊的第一個(gè)版本。NumPy 為開(kāi)放源代碼，使用了BSD許可證授權(quán)，并且由眾多

3、開(kāi)發(fā)者共同維護(hù)開(kāi)發(fā)。1-2 numpy 常用的數(shù)據(jù)類型都有哪些？numpy模塊常用的數(shù)據(jù)類型如下表所示。數(shù)據(jù)類型描述np.bool布爾值（True或False）_默認(rèn)的整數(shù)類型（與 C 語(yǔ)言中的 long相同，通常為int32 或 int64）c與 C 的 int 類型一樣，（通常為int32 或 int 64）p用于索引的整數(shù)類型（與 C中 的 size_t相同，通常為是 int32 或 int64）8字節(jié)（-128到127）16整數(shù)（-32768至32767）32整數(shù)（-2147483648至2147483647）64整數(shù)（-9223372036854775808至922337203685

4、4775807）np.uint8無(wú)符號(hào)整數(shù)（0到255）np.uint16無(wú)符號(hào)整數(shù)（0到65535）np.uint32無(wú)符號(hào)整數(shù)（0到4294967295）np.uint64無(wú)符號(hào)整數(shù)（0到18446744073709551615）np.half/np.float16半精度浮點(diǎn)數(shù)：1個(gè)符號(hào)位，5位指數(shù)位，10位小數(shù)部分np.float32單精度浮點(diǎn)數(shù)，1個(gè)符號(hào)位，8個(gè)指數(shù)位，23 位小數(shù)部分np.float64/np.float_雙精度浮點(diǎn)數(shù)，1 個(gè)符號(hào)位，11個(gè)指數(shù)位，52 位小數(shù)部分plex64復(fù)數(shù)，表示兩個(gè)32 位浮點(diǎn)數(shù)（實(shí)數(shù)部分和虛數(shù)部分）plex128/plex_復(fù)數(shù)，表示兩個(gè)64

5、 位浮點(diǎn)數(shù)（實(shí)數(shù)部分和虛數(shù)部分）1-3 簡(jiǎn)述什么是ndarray()對(duì)象？ndarray()對(duì)象是NumPy模塊的基礎(chǔ)對(duì)象，用于存放同類型元素的多維數(shù)組。ndarray 中的每個(gè)元素在內(nèi)存中都有相同存儲(chǔ)大小的區(qū)域，而數(shù)據(jù)類型是由dtype()對(duì)象所指定的，每個(gè)ndarray只有一種dtype類型。數(shù)組有一個(gè)比較重要的屬性是shape，數(shù)組的維數(shù)與元素的數(shù)量就是通過(guò)shape來(lái)確定的。數(shù)組的形狀（shape）是由N個(gè)正整數(shù)，組成的元組來(lái)指定的，元組的每個(gè)元素對(duì)應(yīng)每一維的大小。數(shù)組在創(chuàng)建時(shí)被指定大小后將不會(huì)再發(fā)生改變，而Python中的列表大小是可以改變的，這也是數(shù)組與列表區(qū)別較大的地方。 1-4

6、 通過(guò)哪個(gè)函數(shù)可以快速生成一個(gè)任意維數(shù)的數(shù)組？1. rand()函數(shù)rand()函數(shù)用于生成一個(gè)任意維數(shù)的數(shù)組，數(shù)組的元素取自01上的均分布，如果沒(méi)有設(shè)置參數(shù)的情況下，則生成一個(gè)數(shù)。【例2-8】使用rand()函數(shù)創(chuàng)建一個(gè)隨機(jī)數(shù)組。代碼如下：（實(shí)例位置：資源包Code第2章2-8）import numpy as np # 導(dǎo)入numpy模塊a = np.random.rand(2,3,2) # 創(chuàng)建隨機(jī)數(shù)組print(數(shù)組內(nèi)容為： n,a) # 打印數(shù)組內(nèi)容print(數(shù)組形狀為：,a.shape) # 打印數(shù)組形狀print(數(shù)組維數(shù)為：,a.ndim) # 打印數(shù)組維數(shù)運(yùn)行結(jié)果如下：數(shù)組內(nèi)

7、容為： 0.73907586 0.87176277 0.42022933 0.77297553 0.47148362 0.48561028 0.86624807 0.78783422 0.3208552 0.52580099 0.31325425 0.94394843數(shù)組形狀為： (2, 3, 2)數(shù)組維數(shù)為： 31-5 簡(jiǎn)述什么是廣播機(jī)制？廣播(Broadcast)機(jī)制只有在實(shí)現(xiàn)兩個(gè)形狀不同的數(shù)組計(jì)算時(shí)才會(huì)觸發(fā)，例如，數(shù)組a和數(shù)組b的形狀相同，那么數(shù)組a乘以數(shù)組b的結(jié)果就是兩個(gè)數(shù)組對(duì)應(yīng)位相乘，這樣的計(jì)算需要維數(shù)與維度長(zhǎng)度相同。當(dāng)計(jì)算兩個(gè)不同形狀的數(shù)組時(shí)，numpy將自動(dòng)觸發(fā)廣播機(jī)制，此時(shí)需要

8、將較小的數(shù)組形狀進(jìn)行擴(kuò)展，讓兩個(gè)數(shù)組形狀相同，以便于進(jìn)行兩個(gè)數(shù)組元素的計(jì)算。 1-1簡(jiǎn)述pandas的數(shù)據(jù)結(jié)構(gòu)？pandas的數(shù)據(jù)結(jié)構(gòu)中有兩大核心，分別是Series與DataFrame。其中Series是一維數(shù)組和Numpy中的一維數(shù)組類似。這兩種一維數(shù)組與Python中基本數(shù)據(jù)結(jié)構(gòu)List相近，Series可以保存多種數(shù)據(jù)類型的數(shù)據(jù)，如布爾值、字符串、數(shù)字類型等。DataFrame是一種以表格形式的數(shù)據(jù)結(jié)構(gòu)類似于Excel表格一樣，是一種二維的表格型數(shù)據(jù)結(jié)構(gòu)。1-2 簡(jiǎn)述pandas提供了哪幾個(gè)讀取數(shù)據(jù)庫(kù)信息的函數(shù)并介紹每個(gè)函數(shù)的特點(diǎn)？pandas提供了三個(gè)函數(shù)用于實(shí)現(xiàn)數(shù)據(jù)庫(kù)信息的讀取操作

9、，具體函數(shù)如下：read_sql_query()函數(shù)：可以實(shí)現(xiàn)對(duì)數(shù)據(jù)庫(kù)的查詢操作，但是不能直接讀取數(shù)據(jù)庫(kù)中的某個(gè)表，需要在sql語(yǔ)句中指定查詢命令與數(shù)據(jù)表的名稱。read_sql_table()函數(shù)：只能實(shí)現(xiàn)讀取數(shù)據(jù)庫(kù)中的某一個(gè)表內(nèi)的數(shù)據(jù)，并且該函數(shù)需要在SQLAlchemy模塊的支持下才可以使用。read_sql()函數(shù)：該函數(shù)則是一個(gè)比較全能的函數(shù)，即可可以實(shí)現(xiàn)讀取數(shù)據(jù)庫(kù)中某一個(gè)表的數(shù)據(jù)，也可以實(shí)現(xiàn)具體的查詢操作。1-3 簡(jiǎn)述NaN數(shù)據(jù)是什么？NaN數(shù)據(jù)在numpy模塊中用于表示空缺數(shù)據(jù)。1-4 簡(jiǎn)述什么是分組數(shù)據(jù)？pandas提供了一個(gè)groupby()方法，通過(guò)該方法對(duì)數(shù)據(jù)集分組后將返

10、回一個(gè)（數(shù)據(jù)集為Series對(duì)象時(shí)）SeriesGroupBy對(duì)象或（數(shù)據(jù)集為DataFrame對(duì)象時(shí)）DataFrameGroupBy對(duì)象，然后通過(guò)該對(duì)象根據(jù)需求調(diào)用不同的計(jì)算函數(shù)來(lái)實(shí)現(xiàn)整組數(shù)據(jù)的計(jì)算功能，例如獲取整組數(shù)據(jù)的總和、平均值等等。1-5 簡(jiǎn)述什么是聚合數(shù)據(jù)？pandas不僅提供了一個(gè)可以實(shí)現(xiàn)對(duì)數(shù)據(jù)進(jìn)行分組的groupby()方法，還提供了agg()方法，該方法可以實(shí)現(xiàn)對(duì)分組后數(shù)據(jù)的聚合功能。從實(shí)現(xiàn)上來(lái)看agg()方法類似于對(duì)DataFrame對(duì)象中列的數(shù)據(jù)進(jìn)行分組，然后再調(diào)用sum()或者是mean()來(lái)實(shí)現(xiàn)數(shù)據(jù)的計(jì)算或統(tǒng)計(jì)。在安裝Matplotlib模塊時(shí)哪種方式比較簡(jiǎn)單？Ma

11、tplotlib模塊的安裝方式有多種，如果使用pip的安裝方式，安裝Matplotlib模塊時(shí)，需要先進(jìn)入到cmd命令行窗口當(dāng)中，然后在cmd命令行窗口當(dāng)中執(zhí)行如下代碼：python -m pip install matplotlibpyplot子模塊的繪圖流程是？在學(xué)習(xí)使用pyplot子模塊繪圖時(shí)，需要先了解使用該模塊實(shí)現(xiàn)繪圖的業(yè)務(wù)流程，根據(jù)繪圖流程調(diào)用pyplot子模塊中對(duì)應(yīng)的方法即可實(shí)現(xiàn)繪制大多數(shù)常用的圖表。pyplot子模塊繪圖流程如圖4-3所示。 圖4-3 pyplot子模塊的繪圖流程簡(jiǎn)述什么是條形圖？條形圖又叫做直方圖，是一種以長(zhǎng)方形的長(zhǎng)度為變量的統(tǒng)計(jì)圖表。該圖表分為水平與縱向兩種

12、，多數(shù)用于比較多個(gè)項(xiàng)目分類的數(shù)據(jù)大小，通過(guò)該圖表可以比較直觀的看出每個(gè)項(xiàng)目分類的分布狀態(tài)。簡(jiǎn)述什么是多面板圖表？多面板圖表就是將多個(gè)圖表顯示在一個(gè)圖表窗體當(dāng)中。簡(jiǎn)述Matplotlib模塊中哪個(gè)子模塊可以實(shí)現(xiàn)3D繪圖？Matplotlib模塊不僅僅只能繪制2D圖表，實(shí)際上在Matplotlib模塊中還內(nèi)置了一個(gè)mplot3d的子模塊，通過(guò)該子模塊即可實(shí)現(xiàn)繪制3D圖表。但是，在使用 mplot3d子模塊繪制3D圖表時(shí)，還是需要通過(guò)pyplot 子模塊中的figure()圖形畫布進(jìn)行展示，所以pyplot 子模塊還是需要導(dǎo)入的。第5章 答案5-1 什么是RFM模型，其中的R、F和M分別代表什么？答

13、案：RFM模型是衡量客戶價(jià)值和客戶潛在價(jià)值的重要工具和手段，大部分運(yùn)營(yíng)人員都會(huì)接觸到該模型。RFM模型是國(guó)際上最成熟、最為容易的客戶價(jià)值分析方法。R：表示最近消費(fèi)時(shí)間間隔RecencyF：表示消費(fèi)頻率FrequencyM：表示消費(fèi)金額Monetary5-2 將客戶分成5類，在代碼中改寫哪個(gè)值？答案：主要修改代碼中k的值，設(shè)置k = 5第6章 答案6-1 按季度統(tǒng)計(jì)銷售收入答案：df1.resample(Q).sum()6-2 統(tǒng)計(jì)2018年1月1日至2018年5月1日廣告費(fèi)用支出情況答案：主要代碼如下：bb=r.dataJDcar.xlsdf=pd.DataFrame(pd.read_exce

14、l(bb)df投放日期 = pd.to_datetime(df投放日期)df1=df投放日期,支出df1=df1.set_index(投放日期,drop=True)df2=df12018-01-01:2018-05-01# 按月度統(tǒng)計(jì)并顯示廣告費(fèi)支出金額dfCar_month=df2.resample(M).sum().to_period(M)print(dfCar_month)6-3 假如7月份投入7.8萬(wàn)元廣告費(fèi)，現(xiàn)預(yù)測(cè)7月份的銷售收入。答案：主要代碼如下：x0=78000y0=b+x0*kprint(y0)1-1 簡(jiǎn)述什么是scikit-learn庫(kù)？scikit-learn庫(kù)是機(jī)器學(xué)習(xí)

15、領(lǐng)域中最知名的Python模塊之一，該模塊中整合了多種機(jī)器學(xué)習(xí)算法，可以幫助使用者在數(shù)據(jù)分析的過(guò)程中快速建立模型。在Python中導(dǎo)入該模塊時(shí)需要使用sklearn簡(jiǎn)稱進(jìn)行模塊的導(dǎo)入工作，sklearn模塊可以實(shí)現(xiàn)數(shù)據(jù)的預(yù)處理、分類、回歸、PCA降維、模型選擇等工作。1-2 簡(jiǎn)述清洗數(shù)據(jù)的目的是什么？在實(shí)現(xiàn)數(shù)據(jù)分析前需要先對(duì)數(shù)據(jù)進(jìn)行清洗工作，清洗數(shù)據(jù)的主要目的是為了減小數(shù)據(jù)分析的誤差。清洗數(shù)據(jù)時(shí)首先需要將數(shù)據(jù)內(nèi)容讀取，然后觀察數(shù)據(jù)中是否存在無(wú)用值、空值以及數(shù)據(jù)類型是否需要進(jìn)行轉(zhuǎn)換等。簡(jiǎn)述Pygame模塊主要應(yīng)用于python開(kāi)發(fā)的哪個(gè)方向？Pygame是跨平臺(tái)Python模塊，專為電子游戲設(shè)計(jì)

16、。包含圖像、聲音。創(chuàng)建在SDL（Simple DirectMedia Layer）基礎(chǔ)上，允許實(shí)時(shí)電子游戲研發(fā)而無(wú)需被低級(jí)語(yǔ)言，如C語(yǔ)言或是更低級(jí)的匯編語(yǔ)言束縛。基于這樣一個(gè)設(shè)想，所有需要的游戲功能和理念都（主要是圖像方面）完全簡(jiǎn)化為游戲邏輯本身，所有的資源結(jié)構(gòu)都可以由高級(jí)語(yǔ)言（如Python）提供。Pygame模塊中都有哪些常用的子模塊，列舉五個(gè)以上即可？Pygame常用的子模塊如下表所示。Pygame常用模塊模塊名功能pygame.cdrom訪問(wèn)光驅(qū)pygame.cursors加載光標(biāo)pygame.display訪問(wèn)顯示設(shè)備pygame.draw繪制形狀、線和點(diǎn)pygame.event管理

17、事件pygame.font使用字體pygame.image加載和存儲(chǔ)圖片pygame.joystick使用游戲手柄或者類似的東西pygame.key讀取鍵盤按鍵pygame.mixer聲音pygame.mouse鼠標(biāo)pygame.movie播放視頻pygame.music播放音頻pygame.overlay訪問(wèn)高級(jí)視頻疊加pygame.rect管理矩形區(qū)域pygame.sndarray操作聲音數(shù)據(jù)pygame.sprite操作移動(dòng)圖像pygame.surface管理圖像和屏幕pygame.surfarray管理點(diǎn)陣圖像數(shù)據(jù)pygame.time管理時(shí)間和幀信息pygame.transform縮

18、放和移動(dòng)圖像第9章 案例5：影視作品分析9-1 簡(jiǎn)述jieba模塊提供了哪幾種分詞模式，以及各模式的區(qū)別。答：jieba模塊提供了三種分詞模式，分別是精確模式、全模式和搜索引擎模式。下面對(duì)這三種分詞模式進(jìn)行詳細(xì)介紹。精確模式采用精確模式時(shí)，會(huì)將句子進(jìn)行最精確地切割，從而讓結(jié)果更適合文本分析。全模式采用全模式時(shí)，分把文本中所有可能的詞語(yǔ)都掃描出來(lái)，可能會(huì)有冗余。搜索引擎模式采用搜索引擎模式時(shí)，會(huì)在精確模式的基礎(chǔ)上對(duì)長(zhǎng)詞再次切分。9-2 如何使用jieba模塊和wordcloud庫(kù)生成詞云圖？答：使用jieba模塊的cut_for_search()函數(shù)將評(píng)論的內(nèi)容切割成若干個(gè)分詞，然后再使用wor

19、dcloud庫(kù)將其生成云圖圖片，保存到本地，關(guān)鍵代碼如下：# 評(píng)論內(nèi)容tomato_str = .join(tomato_comcomment)words_list = # 分詞word_generator = jieba.cut_for_search(tomato_str)for word in word_generator: words_list.append(word)words_list = k for k in words_list if len(k) 1back_color = imread(d + 詞云背景.jpg) # 解析該圖片wc = WordCloud(background_color=white, # 背景顏色 max_words=200, # 最大詞數(shù) mask=back_color,#以該參數(shù)值繪制詞云，該個(gè)參數(shù)不為空時(shí)，width和height會(huì)被忽略 max_font_size=300, # 顯示字體的最大值 font_