数据预处理2

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

fillna()方法必须设置value或method参数。(　　) 四、简答题（(每题4分，共20分）

pandas使用（）函数实现哑变量处理。

groupby(　　)方法通过参数（）设置分组条件。

从初始数据到分析或挖掘中对数据经过的一系列操作称为（）

一维数组访问元素时，会根据指定的（）获取相应位置的元素。

广播机制指对（）的数组进行扩展，以匹配另一个形状较大的数组的形状。

若希望一次描述DataFrame类对象的多个统计指标，可以使(　　) 方法实现。

pandas中使用“[第一层索引][第二层索引]”可以访问Series类对象或DataFrame类对象（）索引对应的数据。

python-docx库中（）对象对应Word文件的表格结构。

简述缺失值、重复值、异常值的常见处理方式。失值的常见处理方式有三种：删除缺失值、填充缺失值和插补缺失值；重复值的一般处理方式是删除；异常值有3种处理方式，分别为保留异常值、删除异常值和替换异常值。（含图）根据表格，创建一个DataFrame类对象。(　　) import pandas as pd import numpy as np < 创建DataFrame对象 data = {'项目': ['篮球', '篮球', '篮球', '篮球', '乒乓球', '体操', '举重', '女子铁饼'], '姓名': ['郭子暄', '孙梦然', '黄思静', '张丽婷', '丁宁', '邓书弟', '邓薇', '冯彬'], '年龄': ['1997年1月16日', '1992年7月', '1996年1月8日', '1994年8月1日', '1990年6月2o日', '1991年9月1o日', '1993年2月14日', '1994年4月3日'], '性别': ['女', '女', '女', '女', '女', '男', '女', '女'], '身高': ['187公分', '1.97M', '192cm', '1.98米', '170cm', '', '158CM', '184厘米'], '体重': ['', '77kg', '8kg', '88千克', '63kg', '', '60kg', '95kg']} df = pd.DataFrame(　　) print(　　) (　　)根据“项目”列分组，并输出篮球运动员的信息。(　　) basketball_player = df[df['项目'] == '篮球'] print(　　) (　　)查找体重列的缺失值，并进行填充，篮球运动员用均值填充，其他运动员填充为50kg。 < 将体重列中的空值替换为空格字符串 df['体重'].replace('', np.nan, inplace=True) < 查找体重列的缺失值 missing_values = df['体重'].isnull(　　) < 篮球运动员体重用均值填充，其他运动员填充为50kg basketball_player = df[df['项目'] == '篮球'] mean_weight = basketball_player['体重'].astype(　　).mean(　　) df.loc[(df['项目'] == '篮球') & missing_values, '体重'] = mean_weight df.loc[missing_values, '体重'] = '50kg' print(　　) (　　)计算篮球运动员的的平均体重(　　)。 basketball_player_weight = df.loc[df['项目'] == '篮球', '体重'].astype(　　) mean_basketball_player_weight = basketball_player_weight.mean(　　) print("篮球运动员的平均体重为：{: .2f}千克".format(　　))

数据预处理是指对收集到的数据进行（）与加工。

OpenRefine中的排序操作不会被记录到历史操作中是因为排序操作只改变了数据的（），不会改变数据本身。

简述什么是脏数据。

简述python-docx库的基本用法。

请简述数据预处理的流程。

简述分组与聚合的过程。

1 2

更多题库