大数据统计与分析题库.docx

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

收藏

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 练习进度 0 / 0

随机练习 自定义设置练习量

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

Pandas库中的reindex(　　)函数中的method参数可以设置填充方法，取值为“fill”或“pad”时表示为后向值填充。(　　)

大数据分析是大公司或是科技大厂的专利。(　　)

数据预处理是指在主要的处理后对数据进行的一些处理。(　　)

大数据是指数据量很少的数据集合。(　　)

大数据可以用传统的数据处理技术来处理。 (　　)

在大数据领域，数据隐私保护不是一个重要问题。 (　　)

大数据一定需要使用云计算技术来存储和处理数据。(　　)

大数据还没有应用于智能制造领域。(　　)

线性回归分析中，残差是可以避免的。(　　)

一组数据的标准差越大，则其平均数的代表性越高。(　　)

请说出使用python进行数据统计分析的5个优势。 (　　)语法简单精练。对于初学者来说，比起java,c等编程语言，Python更容易上手，学习曲线平缓容易入门。 (　　)有很强大的库。可以只使用Python这一种语言去构建以数据为中心的应用程序。 (　　)功能强大。 Python是一门胶水语言，Python程序能够以多种方式轻易地与其他语言的组件“粘接”在一起。 (　　)紧跟时代。 Python是编制大数据和人工智能应用程序的首选工具语言，大量的数据分析、数据挖掘和机器学习算法都已经从其他语言移植过来,或者直接在Fython中实现了其算法。 (　　)大势所趋。 Python在2019年已经超越Java成为最流行的编程语言，中国很多省份已经将Python纳入初中学习内容。现在几乎所有的软件开发工具包都会提供Python接供用户调用。四、程序设计题(　　) 样例第一题：研究表明，有的职业会对人体血液等系统产生影响，本次收集到了职业人群的部分体检数据存放在Excel文件中，名为“physical.xls”。针对此次部分体检数据进行统计分析： (　　)导入相应的模块： (　　)获取数据：使用pandas库中读取的Excel文件数据的方法将“physical.xls”文件读入到DataFrame对象df中：显示数据的前5行：结果如图所示；（含图） (　　)查看DF的数据类型、形状、结构信息、并统计各字段空缺值个数； (　　)使用dropna方法删除全为空的列以及“身份证号”为空的数据； (　　)使用聚合函数统计“淋巴细胞计数”以及“白细胞计数”的均值和标准差； (　　)统计不同性别的白细胞计数均值（含图）样例第二题：某公司人事工作人员为了对来聘人员信息进行分析，以聘用适合计算机岗位的人员，调用了计算机岗位来聘人员信息表(　　), 其部分数据如表所示，数据字段包括应聘人员的ID 、性别、相关经验、教育水平和工作次数等信息。（含图）经观察发现，数据存在缺失值等异常数据，因此需要对数据进行预处理，其主要步骤如下。 (　　)读取来聘人员信息数据。 (　　)将类别型数据中的缺失值填补为“未知”,将数值型缺失值填补为其对应特征的均值。 (　　)将数值型异常数据替换为其对应特征的均值，将性别特征的异常值替换为“未知”。 (　　)对所有的分类数据进行哑变量处理。（含图）样例第三题：某加工厂采购了一批玻璃，玻璃的特性及元素成分存储于玻璃类别数据集 (　　) 中。数据集包括折射率、钠含量、镁含量、铝含量等9个输入特征和1个类别标签，类别标签包括1、2、3、4(　　),数据集共192条数据。玻璃类别数据集的部分数据如表所示。（含图）为了实现根据玻璃的特征对玻璃进行类别判定，需要通过玻璃类别数据集构建分类模型，具体步骤如下。 (　　)加载玻璃类别数据集，划分训练集、测试集。 (　　)对训练集、测试集进行标准差标准化，并分别输出标准化之后的训练集、测试集的方差和均值。 (　　)使用支持向量机对玻璃类别数据集进行分类，输出分类模型评价报告。（含图）样例题第四题：某珠宝店新增钻石回收业务，为了对客户提供的钻石更好地进行估价，该店铺收集了行业内近期所售钻石的4C等级、尺寸和相应价格等数据，存为钻石价格数据集 (　　),包括克拉、切工等级、色泽、净度等9个特征。钻石价格数据集的特征说明如表所示。（含图）使用钻石价格数据集，构建回归模型预测回收的钻石价格，具体步骤如下。 (　　)读取钻石价格数据集。 (　　)经过观察数据发现，长度、宽度、高度特征存在0值，删除该3个特征中所有出现0值的行数据，并对其他数据进行重新索引。 (　　)新增价格(　　)特征，假定1美元等于6.50人民币。 (　　)拆分特征数据和标签数据，特征数据为克拉、切工等级、色泽、净度、台宽比、长度、宽度、高度，标签数据为价格(　　)特征。 (　　)划分训练集和测试集，并对训练集和测试集进行标准差标准化。 (　　)构建 SVR 模型，并输出回归模型评价指标，查看模型效果。（含图）（含图）（含图）重点：实验课一道大题，上面4道题考一道大题，请认真复习，严禁作弊。