2025年大數(shù)據(jù)分析師職業(yè)技能測(cè)試卷：Python數(shù)據(jù)分析庫(kù)Pandas高級(jí)應(yīng)用考試時(shí)間：______分鐘總分：______分姓名：______一、Pandas庫(kù)基本操作與應(yīng)用要求：熟練掌握Pandas庫(kù)的基本操作，包括數(shù)據(jù)選擇、數(shù)據(jù)排序、數(shù)據(jù)篩選等，并能夠應(yīng)用這些操作解決實(shí)際問(wèn)題。1.數(shù)據(jù)選擇（1）從以下DataFrame中選擇年齡大于30歲的行，并返回新的DataFrame。```pythonimportpandasaspddata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（2）從以下DataFrame中選擇名為'Charlie'的行，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（3）從以下DataFrame中選擇年齡在25歲到40歲之間的行，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（4）從以下DataFrame中選擇名為'Alice'或'David'的行，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（5）從以下DataFrame中選擇年齡大于等于25歲且小于等于40歲的行，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（6）從以下DataFrame中選擇年齡在25歲到40歲之間的行，并返回新的DataFrame，同時(shí)將年齡列乘以2。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（7）從以下DataFrame中選擇名為'Alice'或'David'的行，并返回新的DataFrame，同時(shí)將工資列加上1000。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（8）從以下DataFrame中選擇年齡在25歲到40歲之間的行，并返回新的DataFrame，同時(shí)將工資列除以2。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```2.數(shù)據(jù)排序（1）將以下DataFrame按照年齡降序排序，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（2）將以下DataFrame按照工資升序排序，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（3）將以下DataFrame按照年齡升序排序，并返回新的DataFrame，同時(shí)將工資列乘以2。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（4）將以下DataFrame按照工資降序排序，并返回新的DataFrame，同時(shí)將年齡列加上10。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```3.數(shù)據(jù)篩選（1）從以下DataFrame中篩選出工資大于等于7000的行，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（2）從以下DataFrame中篩選出年齡小于35歲的行，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（3）從以下DataFrame中篩選出年齡小于35歲且工資大于等于7000的行，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（4）從以下DataFrame中篩選出年齡小于35歲或工資大于等于7000的行，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（5）從以下DataFrame中篩選出年齡小于35歲且工資大于等于7000的行，并返回新的DataFrame，同時(shí)將年齡列乘以2。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（6）從以下DataFrame中篩選出年齡小于35歲或工資大于等于7000的行，并返回新的DataFrame，同時(shí)將工資列加上1000。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（7）從以下DataFrame中篩選出年齡小于35歲且工資大于等于7000的行，并返回新的DataFrame，同時(shí)將年齡列除以2。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（8）從以下DataFrame中篩選出年齡小于35歲或工資大于等于7000的行，并返回新的DataFrame，同時(shí)將工資列乘以2。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```四、Pandas庫(kù)數(shù)據(jù)聚合與分組要求：熟練掌握Pandas庫(kù)中的數(shù)據(jù)聚合和分組功能，并能夠使用這些功能對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析。1.數(shù)據(jù)聚合（1）對(duì)以下DataFrame中的'salary'列進(jìn)行求和，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（2）對(duì)以下DataFrame中的'salary'列進(jìn)行平均值計(jì)算，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（3）對(duì)以下DataFrame中的'salary'列進(jìn)行最大值計(jì)算，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（4）對(duì)以下DataFrame中的'salary'列進(jìn)行最小值計(jì)算，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（5）對(duì)以下DataFrame中的'salary'列進(jìn)行標(biāo)準(zhǔn)差計(jì)算，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（6）對(duì)以下DataFrame中的'salary'列進(jìn)行方差計(jì)算，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（7）對(duì)以下DataFrame中的'salary'列進(jìn)行眾數(shù)計(jì)算，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（8）對(duì)以下DataFrame中的所有列進(jìn)行描述性統(tǒng)計(jì)，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```五、Pandas庫(kù)數(shù)據(jù)透視表與交叉表要求：掌握Pandas庫(kù)中數(shù)據(jù)透視表和交叉表的使用，能夠根據(jù)需求創(chuàng)建相應(yīng)的表格，并進(jìn)行簡(jiǎn)單的數(shù)據(jù)分析。1.數(shù)據(jù)透視表（1）創(chuàng)建以下DataFrame的數(shù)據(jù)透視表，以'name'為行標(biāo)簽，'age'為列標(biāo)簽，'salary'為值。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（2）創(chuàng)建以下DataFrame的數(shù)據(jù)透視表，以'age'為行標(biāo)簽，'salary'為列標(biāo)簽，'name'為值。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（3）創(chuàng)建以下DataFrame的數(shù)據(jù)透視表，以'name'為行標(biāo)簽，'salary'為列標(biāo)簽，計(jì)算平均值。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（4）創(chuàng)建以下DataFrame的數(shù)據(jù)透視表，以'age'為行標(biāo)簽，'salary'為列標(biāo)簽，計(jì)算眾數(shù)。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（5）創(chuàng)建以下DataFrame的數(shù)據(jù)透視表，以'name'為行標(biāo)簽，'age'為列標(biāo)簽，計(jì)算標(biāo)準(zhǔn)差。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（6）創(chuàng)建以下DataFrame的數(shù)據(jù)透視表，以'age'為行標(biāo)簽，'salary'為列標(biāo)簽，計(jì)算方差。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（7）創(chuàng)建以下DataFrame的數(shù)據(jù)透視表，以'name'為行標(biāo)簽，'age'為列標(biāo)簽，計(jì)算工資總和。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（8）創(chuàng)建以下DataFrame的數(shù)據(jù)透視表，以'age'為行標(biāo)簽，'salary'為列標(biāo)簽，計(jì)算工資平均值。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```六、Pandas庫(kù)數(shù)據(jù)處理與操作要求：掌握Pandas庫(kù)中的數(shù)據(jù)處理和操作功能，能夠?qū)?shù)據(jù)進(jìn)行清洗、轉(zhuǎn)換和擴(kuò)展等操作。1.數(shù)據(jù)清洗（1）從以下DataFrame中刪除重復(fù)行，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（2）從以下DataFrame中刪除包含空值的行，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（3）從以下DataFrame中刪除所有包含空值的列，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（4）從以下DataFrame中刪除所有空值，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（5）從以下DataFrame中刪除指定列，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（6）從以下DataFrame中刪除指定行，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（7）從以下DataFrame中刪除所有重復(fù)列，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```（8）從以下DataFrame中刪除所有重復(fù)行，并返回新的DataFrame。```pythondata={'name':['Alice','Bob','Charlie','David','Eve'],'age':[25,35,40,28,45],'salary':[5000,7000,6000,5500,8000]}df=pd.DataFrame(data)```本次試卷答案如下：一、Pandas庫(kù)基本操作與應(yīng)用1.數(shù)據(jù)選擇（1）答案：```pythonfiltered_df=df[df['age']>30]```解析思路：使用布爾索引選擇年齡大于30歲的行。（2）答案：```pythonfiltered_df=df[df['name']=='Charlie']```解析思路：使用等式索引選擇名為'Charlie'的行。（3）答案：```pythonfiltered_df=df[(df['age']>25)&(df['age']<40)]```解析思路：使用邏輯與操作符選擇年齡在25歲到40歲之間的行。（4）答案：```pythonfiltered_df=df[df['name'].isin(['Alice','David'])]```解析思路：使用isin方法選擇名為'Alice'或'David'的行。（5）答案：```pythonfiltered_df=df[(df['age']>=25)&(df['age']<=40)]```解析思路：使用邏輯與操作符選擇年齡在25歲到40歲之間的行。（6）答案：```pythonfiltered_df=df[df['age']>25].assign(age2=df['age']*2)```解析思路：首先篩選年齡大于25歲的行，然后使用assign方法創(chuàng)建一個(gè)新列'age2'，其值為原始年齡列的兩倍。（7）答案：```pythonfiltered_df=df[df['name'].isin(['Alice','David'])].assign(salary2=df['salary']+1000)```解析思路：首先篩選名為'Alice'或'David'的行，然后使用assign方法創(chuàng)建一個(gè)新列'salary2'，其值為原始工資列加1000。（8）答案：```pythonfiltered_df=df[(df['age']>25)&(df['age']<40)].assign(salary2=df['salary']/2)```解析思路：首先篩選年齡在25歲到40歲之間的行，然后使用assign方法創(chuàng)建一個(gè)新列'salary2'，其值為原始工資列的一半。二、Pandas庫(kù)基本操作與應(yīng)用（1）答案：```pythonsorted_df=df.sort_values(by='age',ascending=False)```解析思路：使用sort_values方法按年齡降序排序。（2）答案：```pythonsorted_df=df.sort_values(by='salary',ascending=True)```解析思路：使用sort_values方法按工資升序排序。（3）答案：```pythonsorted_df=df.sort_values(by='age',ascending=True).assign(age2=df['age']*2)```解析思路：首先按年齡升序排序，然后使用assign方法創(chuàng)建一個(gè)新列'age2'，其值為原始年齡列的兩倍。（4）答案：```pythonsorted_df=df.sort_values(by='salary',ascending=False).assign(salary2=df['salary']+10)```解析思路：首先按