2-工业大数据分析_实训题及参考答案

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

创建一个Jupyter Notebook，完成以下操作： 1. 插入一个Markdown单元格，使用#、##、###分别写出一级、二级、三级标题； 2. 在同一单元格中使用加粗、斜体、行内代码三种格式； 3. 插入一个Code单元格，导入numpy、pandas、matplotlib三个库，并打印'环境准备完成'。要求：运行后无报错，Markdown渲染正确。

使用NumPy模拟某设备30天的温度数据（每天24个点），要求： 1. 设置随机种子np.random.seed(2024)； 2. 基础温度20℃，叠加正态分布噪声N(0, 3)； 3. 计算并打印这30天的平均温度、最高温度、最低温度； 4. 统计温度超过25℃的点的个数。

基于上题生成的温度数据，使用Matplotlib绘制折线图，要求： 1. 横轴为天数（1~30），纵轴为温度； 2. 添加标题'设备30天温度趋势'、xlabel'天数'、ylabel'温度(℃)'； 3. 用红色虚线绘制温度均值参考线； 4. 用plt.axhline()添加y=25的警戒线（橙色点划线）； 5. 显示图例和网格。（含图）

使用NumPy完成以下操作： 1. 创建一个形状为(4, 5)的二维数组，元素为1~20的整数（使用np.arange和reshape）； 2. 提取第2行（索引1）的所有元素； 3. 提取第3列（索引2）的所有元素； 4. 提取子数组（第1~2行，第2~4列）； 5. 计算该二维数组的每行均值和每列均值。

某传感器采集了100个数据点存储在数组data中，完成以下分析： 1. 生成模拟数据：均值为50，标准差为10的正态分布随机数； 2. 使用布尔索引找出所有大于60的数据点； 3. 计算并打印这些数据点的数量、均值、最大值； 4. 使用np.where将data中大于60的值标记为1，其余标记为0； 5. 计算标记为1的比例（异常比例）。

某传感器采集了100个数据点存储在数组data中，完成以下分析： 1.生成模拟数据：均值为50，标准差为10的正态分布随机数； 2.使用布尔索引找出所有大于60的数据点； 3.计算并打印这些数据点的数量、均值、最大值； 4.使用np.where将data中大于60的值标记为1，其余标记为0； 5.计算标记为1的比例（异常比例）。

有两条生产线A和B，各生产5批产品，A的产量为[100, 120, 110, 130, 125]，B的合格率为[0.95, 0.92, 0.96, 0.90, 0.93]。 1.将A的产量和B的合格率转为NumPy数组； 2.利用广播机制计算B的合格品数量（产量×合格率）； 3.计算两条线的平均合格品数量； 4.找出合格品数量最多的一批。

某传感器日志文件中有10个数据点：[23.5, 24.1, np.nan, 25.3, 150.0, 24.8, np.nan, 23.9, -10.0, 24.5]。 1.识别并统计缺失值（NaN）的数量； 2.使用物理阈值（假设正常范围15~35）识别异常值，将其置为NaN； 3.对处理后的数据使用np.nanmean和np.nanstd计算均值和标准差； 4.使用np.interp对剩余缺失值进行线性插值填充（简单实现即可）。

有三台设备各运行4小时的温度数据（每小时1个采样点）：设备1：[30, 32, 31, 33]；设备2：[28, 29, 30, 31]；设备3：[35, 34, 36, 37]。 1.将三个一维数组拼接为一个形状为(3, 4)的二维数组； 2.计算每台设备的平均温度和温度标准差； 3.找出哪台设备的温度波动最大（标准差最大）； 4.将二维数组展平为一维数组，并按升序排序。

创建一个Series表示某设备5天的温度数据：索引为['周一','周二','周三','周四','周五']，值为[25, 28, 22, 30, 26]。 1.使用loc获取'周三'的温度； 2.使用布尔索引找出温度大于25的天数； 3.计算这5天的平均温度和温度标准差； 4.使用sort_values按温度升序排列。

Pandas-Series操作（难度：易）创建一个Series表示某设备5天的温度数据：索引为['周一','周二','周三','周四','周五']，值为[25, 28, 22, 30, 26]。 1. 使用loc获取'周三'的温度； 2. 使用布尔索引找出温度大于25的天数； 3. 计算这5天的平均温度和温度标准差； 4. 使用sort_values按温度升序排列。

Pandas-DataFrame创建与索引（难度：易）创建一个DataFrame记录3名学生的成绩：列：姓名、数学、英语、物理；数据：张三(90,85,88)、李四(78,92,80)、王五(85,88,90)。 1. 使用loc获取李四的所有成绩； 2. 使用iloc获取第2行第3列的值； 3. 计算每名学生的总分和平均分（新增列）； 4. 按总分降序排列。

Pandas-数据清洗（难度：中）给定一个包含缺失值和重复值的DataFrame（模拟10条员工记录，含姓名、年龄、部门、薪资列）。 1. 使用isnull().sum()统计每列缺失值数量； 2. 对年龄缺失值使用中位数填充，对部门缺失值使用'未知'填充； 3. 使用drop_duplicates(subset=['姓名'])删除重复姓名； 4. 将薪资列中的异常值（如负数或超过10万）置为NaN； 5. 输出清洗后的DataFrame信息。

Pandas-分组聚合（难度：中）某工厂有A、B、C三条生产线，每条线有5天的产量数据。构造DataFrame包含：日期、生产线、产量、合格率。 1. 按生产线分组，计算每条线的平均产量和平均合格率； 2. 按日期分组，计算每天的全厂总产量； 3. 找出平均合格率最高的生产线； 4. 使用pivot_table构造一个以日期为行、生产线为列、产量为值的透视表。

Pandas-分组聚合代码正确、可运行（60%）结果符合预期、输出规范（30%）注释清晰、代码规范（10%）解题思路理解题目要求，明确输入输出按照步骤逐步实现注意代码规范和注释实训12: Pandas-分组聚合 import pandas as pd import numpy as np np.random.seed(2026) dates = pd.date_range('2024-01-01', periods=5) df = pd.DataFrame({ '日期': np.repeat(dates, 3), '生产线': np.tile(['A', 'B', 'C'], 5), '产量': np.random.randint(80, 150, 15), '合格率': np.round(np.random.uniform(0.85, 0.99, 15), 3) }) # 1. 按生产线分组计算平均产量和平均合格率 print('按生产线分组:') print(df.groupby('生产线')[['产量', '合格率']].mean()) # 2. 按日期分组计算全厂总产量 print('每日总产量:') print(df.groupby('日期')['产量'].sum()) # 3. 找出平均合格率最高的生产线 best_line = df.groupby('生产线')['合格率'].mean().idxmax() print(f'平均合格率最高的是: {best_line}') # 4. 透视表 pivot = df.pivot_table(values='产量', index='日期', columns='生产线', aggfunc='sum') print('产量透视表:') print(pivot)

Pandas-时间序列（难度：中）知识点模块：Pandas-时间序列任务要求：某传感器在2024年5月1日至5月7日每小时采集一次温度数据（共168个点）。 1. 使用pd.date_range生成时间索引； 2. 构造DataFrame，包含timestamp和temperature两列； 3. 将timestamp设为索引，按天重采样计算日平均温度； 4. 使用rolling(window=6).mean()计算6小时滑动平均温度； 5. 找出温度最高的时刻和对应的温度值。评分标准：代码正确、可运行（60%）结果符合预期、输出规范（30%）注释清晰、代码规范（10%）解题思路理解题目要求，明确输入输出按照步骤逐步实现注意代码规范和注释实训13: Pandas-时间序列 import pandas as pd import numpy as np # 1. 生成时间索引 timestamps = pd.date_range('2024-05-01', '2024-05-07 23:00', freq='h') # 2. 构造DataFrame np.random.seed(2026) df = pd.DataFrame({ 'timestamp': timestamps, 'temperature': 25 + np.random.normal(0, 3, len(timestamps)) }) # 3. 设为索引，按天重采样 df.set_index('timestamp', inplace=True) daily_avg = df.resample('D')['temperature'].mean() print('日平均温度:') print(daily_avg) # 4. 6小时滑动平均 rolling_avg = df['temperature'].rolling(window=6).mean() print('6小时滑动平均（前5个）:') print(rolling_avg.head(10)) # 5. 温度最高的时刻 max_temp_time = df['temperature'].idxmax() print(f'温度最高的时刻: {max_temp_time}, 温度: {df.loc[max_temp_time, "temperature"]:.2f}°C')

Matplotlib-多子图布局（难度：中）知识点模块：Matplotlib-多子图布局任务要求：使用Matplotlib绘制2×2的子图布局，展示某设备一周的监测数据： 1. 子图1：折线图展示7天的温度趋势； 2. 子图2：柱状图展示每天的产量； 3. 子图3：散点图展示温度与产量的关系； 4. 子图4：箱线图展示7天温度的分布统计；要求：每个子图都有标题，整体添加总标题，使用tight_layout()调整间距。评分标准：代码正确、可运行（60%）结果符合预期、输出规范（30%）注释清晰、代码规范（10%）解题思路理解题目要求，明确输入输出按照步骤逐步实现注意代码规范和注释实训15: Matplotlib-多子图布局 import numpy as np import matplotlib.pyplot as plt np.random.seed(2026) days = np.arange(1, 8) temp = 25 + np.random.normal(0, 2, 7) production = 100 + np.random.randint(-20, 30, 7) fig, axes = plt.subplots(2, 2, figsize=(12, 10)) # 子图1: 折线图 axes[0,0].plot(days, temp, marker='o') axes[0,0].set_title('7天温度趋势') axes[0,0].set_xlabel('天数') axes[0,0].set_ylabel('温度(℃)') axes[0,0].grid(True) # 子图2: 柱状图 axes[0,1].bar(days, production, color='steelblue') axes[0,1].set_title('每天产量') axes[0,1].set_xlabel('天数') axes[0,1].set_ylabel('产量') # 子图3: 散点图 axes[1,0].scatter(temp, production, c='green', s=80) axes[1,0].set_title('温度与产量关系') axes[1,0].set_xlabel('温度') axes[1,0].set_ylabel('产量') # 子图4: 箱线图 axes[1,1].boxplot([temp], tick_labels=['温度']) axes[1,1].set_title('温度分布统计') axes[1,1].set_ylabel('温度(℃)') fig.suptitle('设备一周监测数据', fontsize=16) plt.tight_layout() plt.show() （含图）

Matplotlib-工业趋势图（难度：中）知识点模块：Matplotlib-工业趋势图任务要求：某设备运行72小时（每小时1个点）的温度和压力数据已给出。 1. 绘制双Y轴图：左Y轴为温度（蓝色折线），右Y轴为压力（红色折线）； 2. 添加温度上限警戒线（35℃，水平虚线）和压力上限警戒线（0.6MPa）； 3. 用scatter标注超出温度阈值的异常点（绿色散点）； 4. 添加图例、网格、标题和轴标签； 5. 保存图片为'device_monitor.png'，dpi=200。评分标准：代码正确、可运行（60%）结果符合预期、输出规范（30%）注释清晰、代码规范（10%）解题思路理解题目要求，明确输入输出按照步骤逐步实现注意代码规范和注释

某设备运行72小时（每小时1个点）的温度和压力数据已给出。 1. 绘制双Y轴图：左Y轴为温度（蓝色折线），右Y轴为压力（红色折线）； 2. 添加温度上限警戒线（35℃，水平虚线）和压力上限警戒线（0.6MPa）； 3. 用scatter标注超出温度阈值的异常点（绿色散点）； 4. 添加图例、网格、标题和轴标签； 5. 保存图片为'device_monitor.png'，dpi=200。（含图）

1