數(shù)據(jù)清洗期末試卷答案

學(xué)院

期末試卷A

2020-2021學(xué)年第一學(xué)期

考試課程：數(shù)據(jù)清洗

課程代碼：

考試形式：閉卷考試

考試班級(jí)：20大數(shù)據(jù)

命題教師：

教研室主任：

系（院）主任：

教務(wù)處長(zhǎng):

學(xué)院

2020-2021學(xué)年第一學(xué)期輔修試卷

《數(shù)據(jù)清洗A》（課程代碼：）

考試時(shí)間：120分鐘總分：100分

一'名詞解釋題（每題5分，共10分）

1、數(shù)據(jù)的標(biāo)準(zhǔn)化

2、數(shù)據(jù)集成

二、選擇題（每空2分，共10分）

1、噪聲數(shù)據(jù)主要包含錯(cuò)誤數(shù)據(jù)、假數(shù)據(jù)和（）

A、異常數(shù)據(jù)B、真實(shí)數(shù)據(jù)C、污染數(shù)據(jù)D、都對(duì)

2、、特征二值化的核心在于設(shè)定一個(gè)（）

A、元素B、閾值

C、元素D、關(guān)鍵值

3、定性特征啞編碼又稱為獨(dú)熱碼，它用不同的（）對(duì)應(yīng)不同的數(shù)據(jù)值。

A、數(shù)據(jù)B、數(shù)值C、狀態(tài)D、節(jié)點(diǎn)

4、數(shù)據(jù)壓縮是指在（）前提下，縮減數(shù)據(jù)量以減少存儲(chǔ)空間，提高其傳輸、存

儲(chǔ)和處理效率，或按照一定的算法對(duì)數(shù)據(jù)進(jìn)行重新組織，減少數(shù)據(jù)的冗余和存儲(chǔ)

的空間的一種技術(shù)方法。（）

A、不丟失有用信息的B、不丟失所有信息的C、不丟失真實(shí)信息的

D、以上三個(gè)都是

5、在Python在，GroupBy對(duì)象的用途是（）。

A、執(zhí)行分割-應(yīng)用-組合操作B、執(zhí)行排序操作C、執(zhí)行定位操作D、都不

是

三'簡(jiǎn)答題（每題8分，共48分）

1.描述數(shù)據(jù)歸約思想及實(shí)現(xiàn)。

2、描述回歸法主要思想。

3、描述大數(shù)據(jù)采集的特點(diǎn)。

4、請(qǐng)寫出8個(gè)以上的Excel中用于數(shù)據(jù)清洗的函數(shù)

5、什么是數(shù)據(jù)類型？有哪些常見(jiàn)的數(shù)據(jù)類型？

6、如何使用kettle對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析

四、程序題（每題6分共12分）

1.寫出程序用Python讀取文本內(nèi)容

2.創(chuàng)建一個(gè)Series,并更新Series的索引

五'論述題（每題20分共20分）

如何使用kettle清洗超出范圍的數(shù)據(jù)？畫(huà)出流程圖并說(shuō)明含義

答案:

一、名詞解釋題（每題5分，共10分）

1、數(shù)據(jù)的標(biāo)準(zhǔn)化

數(shù)據(jù)的標(biāo)準(zhǔn)化，是通過(guò)一定的數(shù)學(xué)變換方式，將原始數(shù)據(jù)按照一定的比例進(jìn)行轉(zhuǎn)換，使之落入

到一個(gè)小的特定區(qū)間內(nèi)，例如0~1或-1~1的區(qū)間內(nèi)，消除不同變量之間性質(zhì)、量綱、數(shù)量級(jí)等

特征屬性的差異，將其轉(zhuǎn)化為一個(gè)無(wú)量綱的相對(duì)數(shù)值。

2、數(shù)據(jù)集成

數(shù)據(jù)集成正是將把不同來(lái)源、格式、特點(diǎn)性質(zhì)的數(shù)據(jù)在邏輯上或物理上有機(jī)地集中，從而為

企業(yè)提供全面的數(shù)據(jù)共享。

二'選擇題（每空2分，共20分）

ABCAA

三、簡(jiǎn)答題（每題8分，共32分）

1.數(shù)據(jù)歸約是指在盡可能保持?jǐn)?shù)據(jù)原貌的前提下，最大限度地精簡(jiǎn)數(shù)據(jù)量（完成該任務(wù)的

必要前提是理解挖掘任務(wù)和熟悉數(shù)據(jù)本身內(nèi)容）。數(shù)據(jù)歸約主要有兩個(gè)途徑：屬性選擇和數(shù)

據(jù)采樣，分別針對(duì)原始數(shù)據(jù)集中的屬性和記錄。

一般而言，原始數(shù)據(jù)可以用數(shù)據(jù)集的歸約表示。盡管歸約數(shù)據(jù)體積較小，但它仍接近于

保持原始數(shù)據(jù)的完整性。

2.回歸法是試圖發(fā)現(xiàn)兩個(gè)相關(guān)的變量之間的變化模式，通過(guò)使數(shù)據(jù)適合一個(gè)函數(shù)來(lái)平滑數(shù)

據(jù)，即通過(guò)建立數(shù)學(xué)模型來(lái)預(yù)測(cè)下一個(gè)數(shù)值，包括線性回歸和非線性回歸。線性回歸涉及找

出擬合兩個(gè)屬性（或變量）的“最佳”直線，使得一個(gè)屬性可以用來(lái)預(yù)測(cè)另一個(gè)。非線性回歸

是線性回歸的擴(kuò)充，其中涉及的屬性多余兩個(gè)，并且數(shù)據(jù)擬合到一個(gè)多維曲面。

3.大數(shù)據(jù)采集與一般的傳統(tǒng)采集不同，大數(shù)據(jù)的采集過(guò)程的主要特點(diǎn)和挑戰(zhàn)是并發(fā)數(shù)

高，因?yàn)橥瑫r(shí)可能會(huì)有成千上萬(wàn)的用戶在進(jìn)行訪問(wèn)和操作。例如，火車票售票網(wǎng)站、飛機(jī)票

售票網(wǎng)站和淘寶網(wǎng)站的并發(fā)訪問(wèn)量在峰值時(shí)可達(dá)到上百萬(wàn)甚至是上千萬(wàn)，所以在采集端需要

部署大量數(shù)據(jù)庫(kù)才能對(duì)其支撐。并且在這些數(shù)據(jù)庫(kù)之間進(jìn)行負(fù)載均衡和分片是需要深入的思

考和設(shè)計(jì)的。

此外，根據(jù)數(shù)據(jù)源的不同，大數(shù)據(jù)采集方法也不相同。但是為了能夠滿足大數(shù)據(jù)采集

的需要，大數(shù)據(jù)采集時(shí)大多都使用了大數(shù)據(jù)的處理模式，即M叩Reduce分布式并行處理模

式或是基于內(nèi)存的流式處理模式。

4.FIND函數(shù)、SEARCH函數(shù)、REPLACE函數(shù)、UBSTITUTE函數(shù)、LEFT函數(shù)、

RIGHT函數(shù)、MID函數(shù)、DOLLAR函數(shù)。

5.數(shù)據(jù)類型是指是一個(gè)值的集合和定義在這個(gè)值集上的一組操作的總稱。它的出現(xiàn)是為了

把數(shù)據(jù)分成所需內(nèi)存大小不同的數(shù)據(jù)，以便于程序的運(yùn)行。通?？梢愿鶕?jù)數(shù)據(jù)類型的特點(diǎn)將數(shù)

據(jù)劃分為不同的類型，如原始類型、多元組、記錄單元、代數(shù)數(shù)據(jù)類型、抽象數(shù)據(jù)類型、參考

類型以及函數(shù)類型等。在每種編程語(yǔ)言和數(shù)據(jù)庫(kù)中都有不同的數(shù)據(jù)類型。

常見(jiàn)的數(shù)據(jù)類型主要包含有：數(shù)值型、日期型、時(shí)間性、字符串型、邏輯型以及文本型

6.成功運(yùn)行ketlle后在菜單欄單擊文件，在“新建”中選擇“轉(zhuǎn)換”選項(xiàng)，在“輸入”中選

擇“Excel輸入”選項(xiàng)，在“統(tǒng)計(jì)”中選擇“單變量統(tǒng)計(jì)”選項(xiàng)進(jìn)行分析

四'程序題(每題10分共30分)

1.withopen('1.txt,)asfile_object:

contents=file_object.read()

print(contents)

2.importpandasaspd

data=np.array(「a?b?c?d'])

s=pd.Series(data)

print(s)

運(yùn)行結(jié)果為：

0a

1b

2c

3d

dtype:object

data=np.arrayCfa'/bVcVd'])

s=pd.Series(data,index=[100J01,102,103])

print(s)

運(yùn)行結(jié)果為：

100a

101b

102c

103d

dtype:object

s.index

運(yùn)行結(jié)果為：

Int641ndex([100,101,102,103],dtype='int64')

五、論述題（每題10分共10分）

文本文件捻出2

學(xué)院

期末試卷B

2020-2021學(xué)年第一學(xué)期

考試課程：數(shù)據(jù)清洗

課程代碼：

考試形式：閉卷考試

考試班級(jí)：20大數(shù)據(jù)

命題教師：

教研室主任：

系（院）主任：

教務(wù)處長(zhǎng)：

學(xué)院

2020-2021學(xué)年第一學(xué)期輔修試卷

《數(shù)據(jù)清洗B》（課程代碼：）

考試時(shí)間：120分鐘總分：100分

一、名詞解釋題（每題5分，共10分）

1、數(shù)據(jù)倉(cāng)庫(kù)

2、NumPy

二'選擇題（每空2分，共10分）

1、噪聲數(shù)據(jù)主要包含錯(cuò)誤數(shù)據(jù)、假數(shù)據(jù)和（）

A、異常數(shù)據(jù)B、真實(shí)數(shù)據(jù)C、污染數(shù)據(jù)D、都對(duì)

2、Pandas提供了兩種高效的的數(shù)據(jù)結(jié)構(gòu)，series和（）

A、defineB、form

C、numD、dataframe

3、Kafka是一種高吞吐量的分布式系統(tǒng)（）。

A、數(shù)據(jù)采集B、發(fā)布訂閱消息C、數(shù)據(jù)集成D、數(shù)據(jù)及處理

4^Scribe是facebook開(kāi)源的（）

A、數(shù)據(jù)集成系統(tǒng)B、數(shù)據(jù)清洗系統(tǒng)C、數(shù)據(jù)實(shí)現(xiàn)系統(tǒng)D、

日志采集系統(tǒng)

5、在Excel中，LOOKUP函數(shù)的用途是（）。

A、查找指定的值B、清除指定的值C、打開(kāi)指定的值D、都不是

三'簡(jiǎn)答題（每題8分，共48分）

1.描述隨機(jī)變量分布思想。

2、描述3a原則。

3、描述網(wǎng)絡(luò)爬蟲(chóng)。

4、描述數(shù)據(jù)抽取定義及實(shí)現(xiàn)方式。

5、描述Excel數(shù)據(jù)清洗和轉(zhuǎn)換的基本步驟。

6、描述R語(yǔ)言功能及特點(diǎn)。

四、程序題（每題6分共12分）

1.寫出程序用Python創(chuàng)建一個(gè)3x4的數(shù)組，并輸出和更新數(shù)組中的元素。

2.用Python將數(shù)據(jù)框按keyl歹U,key2列同時(shí)進(jìn)行分組求均值

五'論述題（每題20分共20分）

如何使用kettle去除重復(fù)數(shù)據(jù)？畫(huà)出流程圖并說(shuō)明含義

答案：

一、名詞解釋題（每題5分，共10分）

1、數(shù)據(jù)倉(cāng)庫(kù)

數(shù)據(jù)倉(cāng)庫(kù)(DataWarehouse)簡(jiǎn)稱DW,顧名思義，數(shù)據(jù)倉(cāng)庫(kù)是一個(gè)很大的數(shù)據(jù)存儲(chǔ)集合，出于

企業(yè)的分析性報(bào)告和決策支持目的而創(chuàng)建，并對(duì)多樣的業(yè)務(wù)數(shù)據(jù)進(jìn)行篩選與整合。

2、NumPy

NumPy是Python中科學(xué)計(jì)算的第三方庫(kù)，代表“NumericPython”。它是一個(gè)提供多維數(shù)組

對(duì)象，多種派生對(duì)象(如：掩碼數(shù)組、矩陣)以及用于快速操作數(shù)組的函數(shù)及API

二'選擇題(每空2分，共20分)

ADBDA

三'簡(jiǎn)答題(每題8分，共32分)

1.隨機(jī)變量是指隨機(jī)事件的數(shù)量表現(xiàn)，人們可以用數(shù)學(xué)分析的方法來(lái)研究隨機(jī)現(xiàn)象。例如

某一時(shí)間內(nèi)公共汽車站等車乘客人數(shù)，電話交換臺(tái)在一定時(shí)間內(nèi)收到的呼叫次數(shù)，電子元件

的壽命，一臺(tái)機(jī)器在一定時(shí)間內(nèi)出現(xiàn)故障的次數(shù)，在實(shí)際工作中遇到的測(cè)量誤差等，都是隨

機(jī)變量的實(shí)例。按照隨機(jī)變量可能取得的值,可以把它們分為離散型與連續(xù)性兩種基本類型。

2.3a原則是指如果數(shù)據(jù)服從正態(tài)分布，那么在3a原則下，異常數(shù)據(jù)為一組測(cè)定值中與平均

值的偏差超過(guò)3倍標(biāo)準(zhǔn)差的值。因此，如果數(shù)據(jù)服從正態(tài)分布，那么距離平均值3a之外的

值出現(xiàn)的概率為P(|x-u|>3a)<=0.003,(屬于極個(gè)別的小概率事件)即可認(rèn)為是異常數(shù)據(jù)。

3.網(wǎng)絡(luò)爬蟲(chóng)(WebSpider)又稱之為網(wǎng)絡(luò)機(jī)器人、網(wǎng)絡(luò)蜘蛛，是一種通過(guò)既定規(guī)則，能夠

自動(dòng)提取網(wǎng)頁(yè)信息的程序。爬蟲(chóng)的目地在于將目標(biāo)網(wǎng)頁(yè)數(shù)據(jù)下載至本地，以便進(jìn)行后續(xù)的數(shù)

據(jù)分析。

4.數(shù)據(jù)抽取是指從數(shù)據(jù)源中抽取對(duì)企業(yè)有用的或感興趣的數(shù)據(jù)的過(guò)程，它的實(shí)質(zhì)是將數(shù)

據(jù)從各種原始的業(yè)務(wù)系統(tǒng)中讀取出來(lái)，它是大數(shù)據(jù)工作開(kāi)展的前提。目前常用以下兩種方式

來(lái)實(shí)現(xiàn)數(shù)據(jù)抽?。宏P(guān)系庫(kù)中的數(shù)據(jù)抽取和非關(guān)系數(shù)據(jù)庫(kù)中的數(shù)據(jù)抽取。

5.Excel數(shù)據(jù)清洗和轉(zhuǎn)換的基本步驟如下：

1)從外部數(shù)據(jù)源導(dǎo)入數(shù)據(jù)。

2)在單獨(dú)的工作簿中創(chuàng)建原始數(shù)據(jù)的副本。

3)確保以行和列的表格形式顯示數(shù)據(jù)，并且每列中的數(shù)據(jù)都相似；所有的列和行都可

見(jiàn)；范圍內(nèi)沒(méi)有空白行。為了獲得較佳結(jié)果，請(qǐng)使用Excel表。

4)首先執(zhí)行不需要對(duì)列進(jìn)行操作的任務(wù)，例如拼寫檢查或使用“查找和替換”對(duì)話框。

5)然后執(zhí)行需要對(duì)列進(jìn)行操作的任務(wù)。對(duì)列進(jìn)行操作的一般步驟為：

a.在需要清理的原始列(A)旁邊插入新列(B)。

b.在新列(B)的頂部添加將要轉(zhuǎn)換數(shù)據(jù)的公式。

c.在新列(B)中向下填充公式。在Excel表中，將使用向下填充的值自動(dòng)創(chuàng)建計(jì)算列。

d.選擇并復(fù)制新列(B),然后將其作為值粘貼到新列(B)中。

e.刪除原始列(A),這樣，新列B將轉(zhuǎn)換為A。

6.R語(yǔ)言是用于統(tǒng)計(jì)分析，圖形表示報(bào)告的編程語(yǔ)言和軟件環(huán)境。R語(yǔ)言是由新西蘭奧

克蘭大學(xué)的RossIhaka和RobertGentleman創(chuàng)建的，目前由RDevelopmentCoreTeam開(kāi)發(fā)

和維護(hù)。R語(yǔ)言的核心是一種解釋型的計(jì)算機(jī)語(yǔ)言，允許使用分支和循環(huán)以及函數(shù)的模塊化

編程。

四、程序題(每題10分共30分)

1.importnumpyasnp

a=np.array([[l,2,3,4],[5,6,7,8],[9,10,11,12]])#創(chuàng)建一個(gè)3X4的數(shù)組

a

#結(jié)果:

array([[1,2,3,4],

[5,6,7,81,

[9,10,11,12]])

b=a[:2,1:3]#取數(shù)組中第0,1行，第1,2列的元素

b

#結(jié)果：

array([[2,3],

[6,7]])

print(a[0,1])#運(yùn)行結(jié)果為：2

b[0,0]=77#將b[0,0]的值更新為77,同時(shí)a[0,1]元素的值也更新為77

print(a[0,1])#運(yùn)行結(jié)果為：7