2025年大數據分析師職業技能測試卷：Python數據分析與數據處理實戰試題解析考試時間：______分鐘總分：______分姓名：______一、Python基礎語法要求：考察學生對Python基本語法和數據類型的掌握。1.編寫一個Python程序，打印出以下圖形：```***************```2.編寫一個Python函數，計算兩個整數的和，并返回結果。3.編寫一個Python函數，判斷一個整數是否為偶數，并返回判斷結果。4.編寫一個Python程序，實現一個簡單的計算器，能夠實現加、減、乘、除運算。5.編寫一個Python程序，將一個字符串中的大寫字母轉換為小寫字母，并將小寫字母轉換為對應的大寫字母。6.編寫一個Python程序，定義一個列表，并遍歷該列表，打印出所有奇數元素。7.編寫一個Python程序，定義一個字典，并遍歷該字典，打印出所有鍵值對。8.編寫一個Python程序，定義一個元組，并遍歷該元組，打印出所有元素。9.編寫一個Python程序，定義一個集合，并遍歷該集合，打印出所有元素。10.編寫一個Python程序，定義一個列表，并使用列表推導式生成一個包含平方數的列表。二、Pandas庫應用要求：考察學生對Pandas庫的基本操作和數據處理能力的掌握。1.使用Pandas庫創建一個DataFrame，包含以下數據：```|name|age|city||-------|-------|-------||Alice|25|NewYork||Bob|30|London||Carol|28|Paris||Dave|32|Tokyo|```2.將上述DataFrame中的`name`列轉換為字符串類型。3.在DataFrame中添加一個新的列`salary`，并賦值為[50000,60000,55000,70000]。4.按照年齡`age`對DataFrame進行排序。5.統計DataFrame中不同城市的人數。6.找到年齡大于30的所有人的姓名。7.刪除DataFrame中的`city`列。8.將DataFrame中的`name`列的空值填充為"Alice"。9.找到年齡和salary之差最小的那個人。10.查找年齡小于30且城市為"NewYork"的人的信息。四、Pandas數據篩選與分組要求：考察學生對Pandas庫中數據篩選和分組功能的理解及應用。4.使用Pandas庫創建一個包含以下數據的DataFrame：```|product|category|price|quantity||----------|------------|--------|-----------||Apple|Fruits|1.50|20||Banana|Fruits|0.80|30||Carrot|Vegetables|0.40|50||Tomato|Fruits|0.60|40||Lettuce|Vegetables|0.20|60||Potato|Vegetables|0.30|70|```請完成以下任務：1.篩選出價格在0.50元以上的商品。2.計算每個分類的總銷售額（價格乘以數量）。3.按照銷售額降序排列商品。4.對分類進行分組，并計算每個分類的平均價格。5.找出銷量最多的商品。6.刪除價格為0.20元的商品。7.篩選銷量在30件以上的水果類商品。8.查找價格最高的蔬菜類商品。9.將DataFrame中的價格列乘以1.1，更新DataFrame。10.創建一個新的DataFrame，只包含蔬菜類商品的信息。五、Pandas數據分析要求：考察學生對Pandas庫進行數據分析的能力。5.使用Pandas庫創建一個包含以下數據的DataFrame：```|year|population|GDP||-------|-------------|--------||2010|1000000|1000||2011|1100000|1100||2012|1200000|1200||2013|1300000|1300||2014|1400000|1400||2015|1500000|1500|```請完成以下任務：1.計算每年的人口增長率。2.計算每年GDP增長率。3.查找人口最多和GDP最高的年份。4.計算從2010年到2015年的人口和GDP的平均增長率。5.根據人口和GDP繪制折線圖。6.找出人口增長率低于GDP增長率的年份。7.創建一個新的列，表示人口和GDP的比值。8.計算GDP與人口比值最高的年份。9.對數據進行可視化，展示人口和GDP隨時間的變化趨勢。10.使用Pandas的`describe()`方法獲取數據的統計摘要。本次試卷答案如下：一、Python基礎語法1.答案：```pythonforiinrange(1,6):print('*'*i)```解析思路：通過for循環，控制打印的星號數量，每次循環增加一個星號。2.答案：```pythondefadd_numbers(a,b):returna+b```解析思路：定義一個函數，接收兩個參數，返回它們的和。3.答案：```pythondefis_even(number):returnnumber%2==0```解析思路：定義一個函數，檢查一個整數是否能被2整除，從而判斷它是否為偶數。4.答案：```pythondefsimple_calculator():operation=input("Enteroperation(+,-,*,/):")ifoperation=='+':num1=float(input("Enterfirstnumber:"))num2=float(input("Entersecondnumber:"))print("Result:",num1+num2)elifoperation=='-':num1=float(input("Enterfirstnumber:"))num2=float(input("Entersecondnumber:"))print("Result:",num1-num2)elifoperation=='*':num1=float(input("Enterfirstnumber:"))num2=float(input("Entersecondnumber:"))print("Result:",num1*num2)elifoperation=='/':num1=float(input("Enterfirstnumber:"))num2=float(input("Entersecondnumber:"))print("Result:",num1/num2)else:print("Invalidoperation")```解析思路：通過用戶輸入選擇運算類型，然后根據選擇的運算類型進行計算。5.答案：```pythondefconvert_case(string):returnstring.swapcase()```解析思路：使用字符串的`swapcase()`方法，將大寫字母轉換為小寫字母，小寫字母轉換為大寫字母。6.答案：```pythonnumbers=[1,2,3,4,5,6,7,8,9,10]fornumberinnumbers:ifnumber%2!=0:print(number)```解析思路：遍歷列表中的所有數字，檢查每個數字是否為奇數，并打印出來。7.答案：```pythondata={'name':['Alice','Bob','Carol','Dave'],'age':[25,30,28,32]}df=pd.DataFrame(data)print(df['name'])```解析思路：創建一個字典，將其轉換為DataFrame，然后打印出'name'列的所有元素。8.答案：```pythontuple_data=(1,2,3,4,5)foritemintuple_data:print(item)```解析思路：遍歷元組中的所有元素，并打印出來。9.答案：```pythonset_data={1,2,3,4,5}foriteminset_data:print(item)```解析思路：遍歷集合中的所有元素，并打印出來。10.答案：```pythonsquares=[x**2forxinrange(1,11)]print(squares)```解析思路：使用列表推導式，計算從1到10的每個整數的平方，并存儲在列表中。二、Pandas庫應用1.答案：```pythonimportpandasaspddata={'name':['Alice','Bob','Carol','Dave'],'age':[25,30,28,32],'city':['NewYork','London','Paris','Tokyo']}df=pd.DataFrame(data)print(df)```解析思路：導入Pandas庫，創建一個包含所需數據的字典，并將其轉換為DataFrame。2.答案：```pythondf['name']=df['name'].astype(str)```解析思路：使用`astype(str)`方法將'name'列的數據類型轉換為字符串。3.答案：```pythondf['salary']=[50000,60000,55000,70000]```解析思路：直接賦值給新的列'salary'。4.答案：```pythondf.sort_values(by='age',ascending=True)```解析思路：使用`sort_values()`方法按照'age'列的值進行升序排序。5.答案：```pythongrouped=df.groupby('city').size()print(grouped)```解析思路：使用`groupby()`方法按'city'列分組，然后使用`size()`方法計算每個組的元素數量。6.答案：```pythonover_30=df[df['age']>30]['name']print(over_30)```解析思路：使用布爾索引篩選出年齡大于30的行，然后打印'name'列。7.答案：```pythondf.drop('city',axis=1,inplace=True)```解析思路：使用`drop()`方法刪除'city'列。8.答案：```pythondf['name'].fillna('Alice',inplace=True)```解析思路：使用`fillna()`方法將'name'列的空值填充為'Alice'。9.答案：```pythonmin_salary=df.loc[df['age']>30,'salary'].idxmin()print(df.loc[min_salary])```解析思路：使用布爾索引找到年齡大于30的行，然后使用`idxmin()`方法找到'salary'列最小值的索引，最后使用`loc`方法獲取對應的行。10.答案：```pythondf['salary']*=1.1```解析思路：直接對'salary'列的每個元素乘以1.1，更新DataFrame。四、Pandas數據篩選與分組1.答案：```pythonfiltered_products=df[df['price']>0.50]print(filtered_products)```解析思路：使用布爾索引篩選出價格大于0.50元的商品。2.答案：```pythongrouped_sales=df.groupby('category')['price'].sum()print(grouped_sales)```解析思路：使用`groupby()`方法按'category'列分組，然后使用`sum()`方法計算每個組的'price'列的總和。3.答案：```pythonsorted_products=df.sort_values(by='price',ascending=False)print(sorted_products)```解析思路：使用`sort_values()`方法按照'price'列的值進行降序排序。4.答案：```pythongrouped_avg_price=df.groupby('category')['price'].mean()print(grouped_avg_price)```解析思路：使用`groupby()`方法按'category'列分組，然后使用`mean()`方法計算每個組的'price'列的平均值。5.答案：```pythonmost_sold_product=df.loc[df.groupby('product')['quantity'].idxmax()]print(most_sold_product)```解析思路：使用`groupby()`方法按'product'列分組，然后使用`idxmax()`方法找到每個組中'quantity'列最大值的索引，最后使用`loc`方法獲取對應的行。6.答案：```pythondf.drop(df[df['price']==0.20].index,inplace=True)```解析思路：使用布爾索引找到價格等于0.20元的行，然后使用`drop()`方法刪除這些行。7.答案：```pythonhigh_quantity_fruits=df[(df['category']=='Fruits')&(df['quantity']>30)]print(high_quantity_fruits)```解析思路：使用布爾索引同時篩選出分類為'Fruits'且數量大于30的商品。8.答案：```pythonhighest_price_vegetable=df.loc[df.groupby('category')['price'].idxmax()]print(highest_price_vegetable)```解析思路：使用`groupby()`方法按'category'列分組，然后使用`idxmax()`方法找到每個組中'price'列最大值的索引，最后使用`loc`方法獲取對應的行。9.答案：```pythondf['price']*=1.1```解析思路：直接對'price'列的每個元素乘以1.1，更新DataFrame。10.答案：```pythonvegetable_df=df[df['category']=='Vegetables']print(vegetable_df)```解析思路：使用布爾索引篩選出分類為'Vegetables'的商品，并打印DataFrame。五、Pandas數據分析1.答案：```pythonimportpandasaspddata={'year':[2010,2011,2012,2013,2014,2015],'population':[1000000,1100000,1200000,1300000,1400000,1500000],'GDP':[1000,1100,1200,1300,1400,1500]}df=pd.DataFrame(data)population_growth=(df['population'].pct_change()*100).fillna(0)print(population_growth)```解析思路：使用`pct_change()`方法計算人口的增長百分比，然后乘以100轉換為百分比形式，使用`fillna(0)`處理NaN值。2.答案：```pythongdp_growth=(df['GDP'].pct_change()*100).fillna(0)print(gdp_growth)```解析思路：與人口增長率計算類似，計算GDP的增長百分比。3.答案：```pythonmax_population_year=df.loc[df['population'].idxmax()]print(max_population_year)```解析思路：使用`idxmax()`方法找到'population'列最大值的索引，然后使用`loc`方法獲取對應的行。4.答案：```pythonaverage_growth=((df['population'].pct_change()+df['GDP'].pct_change())*100).mean()print(average_growth)```解析思路：計算人口和GDP增長率的平均值。5.答案：```pythonimportmatplotlib.pyplotaspltplt.figure(figsize=(10,5))plt.plot(df['year'],df['population'],label='Population')plt.plot(df['year'],df['GDP'],label='GDP')plt.xlabel('Year')plt.ylabel('Value')plt.title('PopulationandGDPOverYears')plt.legen