大数据技术-题库s(1)

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中使用sort_index()函数可以根据行索引进行排序。（）

sort_values()函数中参数ascending代表排序方式，默认为True，代表升序排序,取False值则代表降序排序。（）

groupby()函数中参数axis=0代表纵向分割，axis=1代表横向分割。（）

在groupby()函数中调用agg()函数自定义聚合方式，可在一次计算中完成多种聚合。（）

使用groupby()函数对DataFrame数据进行分组操作后,返回的结果是一个DataFrame或Series对象。（）

agg()函数具有自定义聚合功能,可以对选定列使用不同的聚合，但不能对每列使用相同的多种聚合。（）

groupby()函数默认是在axis=0上进行分组的，通过设置也可以在其他轴上进行分组。（）

pivot_table()函数中参数aggfunc='sum'表示值计算方式为求和,该参数默认值为“sum”。（）

pivot_table()函数可对列进行操作,通过指定行、列、元素值，进行汇总计算。（）

当需要重复调用某一段代码时，可将其定义为匿名函数。（）

利用python进行消费税及附加税费测算。 #对销售订单进行数据透视，计算各商品订单数量消费税 = pd.______(销售订单, values=['订单数量'], index=['商品名称'], aggfunc='sum') #读取“材料清单”，并将其中的[型号(KG/桶)]合并到“消费税”表格中材料清单= pd.______('多税种测算/01材料清单(1).xlsx') 消费税 = pd.______(消费税, 材料清单[['商品名称','型号(KG/桶)']], on='商品名称', how='left') #新增[计税依据]一列，使用公式计算其值消费税['计税依据'] = 消费税['订单数量']*消费税['型号（KG/桶）']/10000*1126 消费税['税率'] = 1.52 #新增[应纳税额]一列，使用公式计算其值，并保留两位小数消费税['应纳税额'] = 消费税['计税依据']*消费税['税率']

利用python进行业绩可视化展现。制作部门业绩透视表，绘制部门业绩柱状图。 #对销售业绩进行透视部门业绩透视 = pd.______ (合同数据, values=['不含税金额','订单利润','累计收款金额'], index=['销售部门'], aggfunc='sum') print(部门业绩透视) #调用数据库 from pyecharts.charts import Bar,Tab,Pie import ____ as opts from pyecharts.globals import ThemeType # 数据转换为指定格式部门 = 部门业绩透视.______.to_list() 纵轴_销售收入 = 部门业绩透视.loc[:, '不含税金额'].to_list() 纵轴_利润 = 部门业绩透视.loc[:, '订单利润'].to_list() 纵轴_收款 = 部门业绩透视.loc[:, '累计收款金额'].to_list() # 绘图部门业绩柱状图 = ______(init_opts = opts.InitOpts(theme=ThemeType.DARK)) 部门业绩柱状图.add_xaxis(部门) 部门业绩柱状图.______('销售收入', 纵轴_销售收入, label_opts=opts.LabelOpts(is_show=False), markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="max")])) 部门业绩柱状图.add_yaxis('利润', 纵轴_利润, label_opts=opts.LabelOpts(is_show=False), markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="max")])) 部门业绩柱状图.add_yaxis('收款', 纵轴_收款, label_opts=opts.LabelOpts(is_show=False), markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="max")])) 部门业绩柱状图.render('部门业绩柱状图.html')

利用华扬联众利润表中的数据，通过python库进行重复数据清洗。 #导入pandas库文件 ____ pandas as pd #定位需要清洗的文件路径 ____ = '数据清洗/任务8/华扬联众_利润表_重复数据清洗.xlsx' #读取数据 df = ____ .read_excel(file_name, sheet_name='报表数据') #检查数据是否有重复字段：打印df变量 print(list(____)) #编写清洗规则,删除重复字样 df = df.______(['营业总收入.1', '营业收入.1'], axis=1) print(list(df)) #将清洗结果进行保存 df.to_excel('数据清洗/任务8/任务8清洗结果.xlsx', index=False, encoding='utf-8-sig')

利用华扬联众利润表和引力传媒利润表中的数据，通过python库进行数据处理。 #导入pandas库文件 ____ pandas as pd #读取数据 df = pd.read_excel('数据集成/任务2/华扬联众_利润表_清洗后.xlsx') df1 = ____ .read_excel('数据集成/任务2/华扬联众_利润表_清洗后.xlsx') #数据合并,将“华扬联众利润表”与“引力传媒利润表”进行合并,合并后的新数据表将覆盖原有变量df df = df.______(df1) # 保存数据 df.______excel('数据集成/任务2/合并结果.xlsx', index=False, encoding='utf-8-sig') #打印数据 print(____)

利用引力传媒历年利润表，通过Python代码对数据表内无用数据进行清洗。 #导入pandas库文件 ____ pandas as pd #定位需要清洗的文件路径 ____ = '数据清洗/任务7/引力传媒_历年利润表_无用数据清洗.xlsx' #读取数据: df = ____ .read_excel(file_name) #编写清洗规则，将列为空的数据替换为0 df.______(0, inplace=True) df = df.loc[:, ~((df == 0).all())] #保存数据 df.______excel('数据清洗/任务7/任务7清洗结果.xlsx', encoding='utf-8', index=False)

华鹤公司对销售人员的工资构成为基础工资+销售奖金,其中基础工资固定为3000元。销售奖金与该销售人员当月的销售额相关，销售奖金 = 月销售额 *0.01* 奖金系数。奖金系数是为了鼓励销售员提升销售额，具体规定如下表所示：根据设计程序进行计算，某位销售员当月销售额为18万，他的工资是多少。月销售额 = ____ (____('请输入该员工当月销售额：')) ____ 月销售额 < 0 : print ('金额输入错误！') elif 月销售额 < 100000: 工资 = 3000 + 月销售额*0.01*1 print('该员工的工资为：',工资) ____ 月销售额 >=100000 and 月销售额 < 200000: 工资 = 3000 + 月销售额*0.01*1.05 print('该员工的工资为：',工资) ____: 工资 = 3000 + 月销售额*0.01*1.1 print('该员工的工资为：',工资)（含图）

利用Python进行企业销售分析与预测 #导入Python库 import pandas as pd import numpy as np ____ plt.rcParams['font.sans-serif'] = ['simhei'] ____ from sklearn.model_selection import train_test_split from sklearn import metrics from sklearn.linear_model import LinearRegression #获取数据 ____ df=pd.read_excel('企业销售分析与预测/价格预测数据_清洗后.xlsx') print(df.head(n=1)) #数据预处理 ____ column_name = X.columns

根据设计程序进行计算，某位销售员当月销售额为18万，他的工资是多少。月销售额 = ______(______('请输入该员工当月销售额：')) ______月销售额 < 0 : print ('金额输入错误！') elif 月销售额 < 10000: 工资 = 3000 + 月销售额*0.01*1 print('该员工的工资为：',工资) ______月销售额 >=100000 and 月销售额 < 200000: 工资 = 3000 + 月销售额*0.01*1.05 print('该员工的工资为：',工资) ______: 工资 = 3000 + 月销售额*0.01*1.1 print('该员工的工资为：',工资)

利用Python进行企业销售分析与预测 #导入Python库 import pandas as pd import numpy as np ______ plt.rcParams['font.sans-serif'] = ['simhei'] ______ from sklearn.model_selection import train_test_split from sklearn import metrics from sklearn.linear_model import LinearRegression #获取数据 ______ df=pd.read_excel('企业销售分析与预测/价格预测数据_清洗后.xlsx') print(df.head(n=1)) #数据预处理 ______ column_name = X.columns ______ #数据建模 X_train, X_test, Y_train, Y_test = train_test_split(X, Y, train_size=0.8, test_size=0.2, random_state=123) lr = LinearRegression() ______ Y_pred = lr.predict(X_test) mse_value = metrics.mean_squared_error(Y_test, Y_pred) print('均方误差MSE:', mse_value) r2_score_value = metrics.r2_score(Y_test, Y_pred) print('决定系数R2:', r2_score_value) ______ x_index = range(1, len(Y_test) + 1) ______ plt.plot(x_index, Y_pred, linestyle='-', marker='o', color='dodgerblue', label="预测值", linewidth=2) ______ plt.legend(loc="best") plt.xticks([]) plt.savefig('预测值与测试值的关系.png') plt.show() df_weight = pd.DataFrame({'特征': column_name, '系数': np.round(lr.coef_, 3)}) df_weight.to_excel('回归系数.xlsx', index=False, encoding='utf-8-sig') print(df_weight) #模型预测 df = pd.read_excel('企业销售分析与预测/价格预测数据_下期因素数据.xlsx') print(df) data = df[['国内市场铁精粉价格', '下游钢材产量', '下游钢材价格', '政策影响']] price_pred = lr.predict(data) ______ print(df) df.to_excel('价格预测数据结果.xlsx', index=False, encoding='utf-8-sig')（含图）

利用Python进行企业费用分析与预测 #导入Python库文件 ______ import pandas as pd from statsmodels.tsa.holtwinters import ExponentialSmoothing #配置绘图显示基本设置 ______ plt.rcParams['axes.unicode_minus'] = False #读取数据 ______ df = df.set_index('报表日期') data = df['期间费用'] #训练模型 es=ExponentialSmoothing(data, seasonal_periods=4, trend='add', seasonal='add') ______ #获取模型拟合值 fit_data = es_model.fittedvalues #拟合度校验 ______ plt.plot(fit_data, marker='^', label="拟合数据") plt.plot(data, marker='.', label="原始数据") ______ plt.title('模型拟合图') plt.show() #计算拟合误差 df_error = pd.DataFrame() df_error['原始值'] = data df_error['拟合值'] = fit_data df_error['绝对值误差'] = abs(df_error['拟合值'] - df_error['原始值']) ______ print(df_error) #模型预测 forecast_points = 6 pre_data = es_model.forecast(forecast_points) ______ #查看预测结果 plt.figure(figsize=(16, 9), dpi=80) plt.plot(pre_data, marker='.', label='预测值') plt.legend(loc="best") ______ plt.show() df_pre = pd.DataFrame(pre_data, columns=['预测数据']) ______ print(df_pre) （含图）（含图）（含图）