財(cái)務(wù)大數(shù)據(jù)基礎(chǔ)Python 數(shù)據(jù)分析甄阜銘課后參考答案

第一章一、選擇題下列有關(guān)數(shù)據(jù)分析的說(shuō)法錯(cuò)誤的是（D）。數(shù)據(jù)分析是從數(shù)據(jù)中提取有價(jià)值的信息數(shù)據(jù)分析的本質(zhì)是揭示數(shù)據(jù)的規(guī)律數(shù)據(jù)分析是決策者應(yīng)具有的基本能力數(shù)據(jù)分析是大數(shù)據(jù)和人工智能的結(jié)合技術(shù)一般來(lái)說(shuō)，4類數(shù)據(jù)分析的復(fù)雜度從低到高為（C）。診斷性分析→預(yù)測(cè)性分析→描述性分析→規(guī)范性分析預(yù)測(cè)性分析→描述性分析→診斷性分析→規(guī)范性分析描述性分析→診斷性分析→預(yù)測(cè)性分析→規(guī)范性分析規(guī)范性分析→預(yù)測(cè)性分析→診斷性分析→描述性分析規(guī)范性分析需要回答的問(wèn)題是（A）?！皯?yīng)該做什么？”“發(fā)生了什么？”“為什么會(huì)發(fā)生這種情況？”“未來(lái)可能會(huì)發(fā)生什么？”下列有關(guān)數(shù)據(jù)分析的基本流程的說(shuō)法錯(cuò)誤的是（D）。數(shù)據(jù)分析的重要環(huán)節(jié)是明確目的，即為什么要進(jìn)行數(shù)據(jù)分析數(shù)據(jù)的本質(zhì)是事實(shí)的表示，獲取的數(shù)據(jù)對(duì)象需要與具體的問(wèn)題關(guān)聯(lián)特征工程的目的是使數(shù)據(jù)滿足設(shè)定的分析目標(biāo)要求數(shù)據(jù)分析為業(yè)務(wù)決策帶來(lái)有效應(yīng)用，必須經(jīng)過(guò)可視化呈現(xiàn)數(shù)據(jù)分析可能導(dǎo)致糟糕甚至錯(cuò)誤的結(jié)果，不可能的原因是（A）。底層數(shù)據(jù)質(zhì)量太好分析模型過(guò)擬合或欠擬合數(shù)據(jù)分析沒(méi)有考慮到模型中固有的缺陷不同的問(wèn)題使用了相同的數(shù)據(jù)分析模型Python模塊的文件擴(kuò)展名是（B）。.ipynb.py.txt.csv下列有關(guān)Python語(yǔ)言特點(diǎn)說(shuō)法錯(cuò)誤的是（A）。機(jī)器語(yǔ)言高級(jí)語(yǔ)言面向?qū)ο罂缙脚_(tái)Anaconda科學(xué)包及其依賴項(xiàng)中，不包括（D）。PythonPandasNumPyjiebaPython3.x默認(rèn)的源文件編碼格式是（D）。ASCIIgbkUTF-16UTF-8下列有關(guān)JupyterNotebook說(shuō)法正確的是（D）。JupyterNotebook命令模式和編輯模式不能切換JupyterNotebook編程過(guò)程不能編寫說(shuō)明文檔JupyterNotebook可以在網(wǎng)頁(yè)頁(yè)面中直接編寫代碼，但是不能運(yùn)行JupyterNotebook相當(dāng)于一個(gè)功能無(wú)比強(qiáng)大的“計(jì)算器”二、判斷題預(yù)測(cè)性分析用于回答“發(fā)生了什么”這一基本問(wèn)題。（×）探索性數(shù)據(jù)分析是一種使用特定的模型或假設(shè)來(lái)探索數(shù)據(jù)的方法。（×）數(shù)據(jù)清洗是在保持或接近保持原數(shù)據(jù)完整性的同時(shí)將數(shù)據(jù)集規(guī)模減小，以提高數(shù)據(jù)處理的速度。（×）JupyterNotebook編輯模式（EditMode）按Esc鍵切換到命令模式（CommandMode）。（√）Python每行代碼的長(zhǎng)度沒(méi)有限制，不能拆解成多行。（×）三、程序題1.使用JupyterNotebook，在CellType在Markdown模式下，模仿【財(cái)務(wù)應(yīng)用與實(shí)踐】節(jié)的課程內(nèi)容，編輯輸入適當(dāng)?shù)母袷轿谋荆⒌玫饺鐖D1-10所示的運(yùn)行結(jié)果。圖1-10Markdown代碼運(yùn)行結(jié)果2.使用JupyterNotebook，在CellType在Code模式下，編寫（程序題1）“永續(xù)年金現(xiàn)值”代碼并運(yùn)行，得到運(yùn)行的結(jié)果輸出：現(xiàn)值——20000000。并嘗試下載該P(yáng)ython代碼為.py文件，并在提示符下運(yùn)行。第2章一、選擇題Python中的非法標(biāo)識(shí)為（D）。ABCABC_aBc01abcPython語(yǔ)句中表達(dá)式“10+10.0+5//3+True”的值為（B）。2022.0_20.0錯(cuò)誤Python語(yǔ)句中，如果字符串內(nèi)部既包含'又包含"，需要借助（C）。分隔符|占位符%轉(zhuǎn)義字符\沒(méi)有辦法Python語(yǔ)句中，字符串中含有\(zhòng)\表示的字符是（D）。回車制表符換行\(zhòng)Python數(shù)據(jù)類型中，（C）是可變序列。tuplestrlistbytes以下關(guān)于列表操作的描述，錯(cuò)誤的是（C）。append()方法可以向列表添加元素extend()方法可以將另一個(gè)列表中的元素逐一添加到列表add()方法可以向列表添加元素insert(index,object)方法在指定位置index前插入objectPython中，有多種可以直接作用于for循環(huán)的數(shù)據(jù)類型，但是不包括（C）。liststrfloatdict以下關(guān)于循環(huán)控制語(yǔ)句描述錯(cuò)誤的是（C）。循環(huán)可以嵌套使用for語(yǔ)句可以在任意序列上進(jìn)行迭代訪問(wèn)ifelif結(jié)構(gòu)中必須包含else子句if語(yǔ)句可以嵌套以下關(guān)于字典操作的描述中，錯(cuò)誤的是（D）。del()用于刪除字典或者元素clear()用于清空字典中的數(shù)據(jù)len()方法可以計(jì)算字典中鍵值對(duì)的個(gè)數(shù)keys()方法可以獲取字典的值視圖以下關(guān)于循環(huán)結(jié)構(gòu)的描述,錯(cuò)誤的是（B）。使用range()函數(shù)可以指定for循環(huán)的次數(shù)使用int在for循環(huán)結(jié)構(gòu)中可以指定循環(huán)次數(shù)foriinrange(5)表示循環(huán)5次，i的值是從0到4用字符串做循環(huán)結(jié)構(gòu)的時(shí)候，循環(huán)的次數(shù)是字符串的長(zhǎng)度二、判斷題數(shù)學(xué)上理解x=x+5那無(wú)論如何是不成立的，在python程序中可以這樣使用，是賦值語(yǔ)句。（√）Python中變量名不區(qū)分英文大小寫。（×）Python中變量名必須是大小寫英文、數(shù)字和_的組合，且不能用數(shù)字開(kāi)頭。（√）Python中數(shù)據(jù)類型tuple是可變序列。（×）Python流程控制子句表達(dá)式只能是邏輯表達(dá)式。（×）三、程序題1.企業(yè)劃分為大型、中型、小型、微型4種類型，工業(yè)行業(yè)劃型標(biāo)準(zhǔn)為：從業(yè)人員1000人以下或營(yíng)業(yè)收入40000萬(wàn)元以下的為中小微型企業(yè)，否則為大型企業(yè)。其中，企業(yè)從業(yè)人員300人及以上，且營(yíng)業(yè)收入2000萬(wàn)元及以上的為中型企業(yè)；從業(yè)人員20人及以上，且營(yíng)業(yè)收入300萬(wàn)元及以上的為小型企業(yè)；從業(yè)人員20人以下或營(yíng)業(yè)收入300萬(wàn)元以下的為微型企業(yè)。（1）有企業(yè)A，30人年?duì)I業(yè)收入500萬(wàn)元。請(qǐng)編寫程序，判斷該企業(yè)的類型。（2）請(qǐng)編寫程序，該企業(yè)每年?duì)I業(yè)收入和每年招聘人數(shù)增長(zhǎng)率為10%，判斷10年后是何種類型企業(yè)。2.假設(shè)某地區(qū)個(gè)人所得稅計(jì)算依據(jù)為表2-8。表2-8個(gè)人所得稅稅率表（綜合所得適用）級(jí)數(shù)全年應(yīng)納稅所得額稅率（%）1不超過(guò)36000元的32超過(guò)36000元至144000元的部分103超過(guò)144000元至300000元的部分204超過(guò)300000元至420000元的部分255超過(guò)420000元至660000元的部分306超過(guò)660000元至960000元的部分357超過(guò)960000元的部分45不考慮其他因素，給定個(gè)人年綜合所得，請(qǐng)編寫程序計(jì)算個(gè)人所得稅。第3章一、選擇題下面有關(guān)Python面向?qū)ο蟮乃枷?，不正確的是（C）。常用的代碼塊打包成一個(gè)函數(shù)是語(yǔ)句層面的封裝容器類數(shù)據(jù)類型是數(shù)據(jù)層面的封裝把所有的代碼寫在一個(gè)主程序中是程序封裝描述事物特征的數(shù)據(jù)和代碼塊是類封裝下面關(guān)于Python類操作中，不正確的是（D）。可以訪問(wèn)或修改實(shí)例變量，甚至可以添加或者刪除調(diào)用類實(shí)例對(duì)象的方法，也可給類對(duì)象動(dòng)態(tài)添加方法構(gòu)造函數(shù)用于創(chuàng)建實(shí)例對(duì)象時(shí)使用，也可以沒(méi)有構(gòu)造函數(shù)創(chuàng)建類的實(shí)例對(duì)象時(shí)，Python解釋器不會(huì)自動(dòng)調(diào)用構(gòu)造函數(shù)Python類體中，用@staticmethod修飾的方法為（C）。類方法實(shí)例方法靜態(tài)方法動(dòng)態(tài)方法面向?qū)ο蟪绦蛟O(shè)計(jì)中有3個(gè)重要特性，不包括（C）。封裝繼承靜態(tài)多態(tài)從根文件夾開(kāi)始，描述一個(gè)文件為（C）。當(dāng)前路徑相對(duì)路徑絕對(duì)路徑復(fù)雜路徑Python語(yǔ)句“foo=(lambdax,y:x>y)(3,5)”的運(yùn)行結(jié)果foo的值為（C）。trueTrueFalsefalseabs函數(shù)實(shí)際上是定義在（C）中的，不需要用戶手動(dòng)引用。pandas模塊os模塊builtins模塊import模塊Python程序當(dāng)在主模塊運(yùn)行時(shí)，__name__的值為（D）?！癬_file__”“__class__”“__module__”“__main__”當(dāng)代碼不符合Python語(yǔ)法規(guī)則時(shí)，解釋器在解析時(shí)就會(huì)報(bào)出（C）。AssertionErrorIndexErrorSyntaxErrorKeyError（A）可以看作是對(duì)try模式的簡(jiǎn)化，其用于對(duì)軟件系統(tǒng)中的資源進(jìn)行管理。with子句for子句if子句while子句二、判斷題Python類體中，以“變量名=變量值”方式定義的變量，為實(shí)例屬性。（×）open()函數(shù)支持的文件打開(kāi)模式，r只讀模式打開(kāi)文件，讀文件內(nèi)容的指針會(huì)放在文件的結(jié)尾。（×）builtins是Python中的一個(gè)模塊。該模塊提供對(duì)Python的所有內(nèi)置標(biāo)識(shí)符的直接訪問(wèn)，不需要用戶手動(dòng)引用。（√）Python中，map()和reduce()函數(shù)不是高階函數(shù)。（×）Python中，return語(yǔ)句在同一函數(shù)中不可以出現(xiàn)多次。（×）語(yǔ)法錯(cuò)誤是解析代碼時(shí)出現(xiàn)的錯(cuò)誤。（√）當(dāng)代碼不符合Python語(yǔ)法規(guī)則時(shí)，解釋器在解析時(shí)就會(huì)報(bào)出TypeError。（×）在Python中，把運(yùn)行時(shí)產(chǎn)生錯(cuò)誤的情況叫作異常（Exceptions）。（√）在Python中有一些異常，是程序正常運(yùn)行的結(jié)果，比如用raise手動(dòng)引發(fā)的異常。（√）在Python中try子句可以看作是對(duì)with模式的簡(jiǎn)化。（×）三、程序題1.請(qǐng)判斷如下代碼段的運(yùn)行結(jié)果，然后鍵入代碼，并執(zhí)行。（1）input()函數(shù)憑證號(hào)=input("憑證號(hào):")or'20230528'#輸入回車print(憑證號(hào))（2）用.strip()去除字符串兩端的空白科目名稱=input("科目名稱:").strip("")#輸入若干空格“材料采購(gòu)”print(科目名稱)（3）用.split()解包input接收的多個(gè)輸入科目代碼=input("科目代碼:").split(",")#輸入“1401，2221，100202”print(科目代碼)（4）簡(jiǎn)單的交互response=input("保存記賬憑證(Y/確認(rèn))：\n")#輸入yifresponse.upper()=="Y":print("已保存記賬憑證……")else:print("已取消……")（5）print輸出多個(gè)變量或值記賬憑證={'憑證號(hào)':'230052','制單日期':'2023年5月28日'}print(f"憑證號(hào)：{記賬憑證['憑證號(hào)']}"+""*4+f"制單日期:{記賬憑證['制單日期']}")（6）end參數(shù)決定換行/不換行輸出，續(xù)（5）print(f"憑證號(hào)：{記賬憑證['憑證號(hào)']:>8}",end="")print(f"制單日期:{記賬憑證['制單日期']:>12}",end="")（7）sep決定用什么間隔符來(lái)分隔多個(gè)值或變量，續(xù)（6）print(f"憑證號(hào)：{記賬憑證['憑證號(hào)']}"+""*4,f"制單日期:{記賬憑證['制單日期']}",sep='|')（8）導(dǎo)入模塊和函數(shù)應(yīng)用importmathdefmove(x,y,step,angle=0):nx=round(x+step*math.cos(angle))ny=round(y+step*math.sin(angle))returnnx,nymove(0,0,1,3.14/3)2.深入了解變量的作用空間，完成以下任務(wù)。dir(obj)可以得到obj對(duì)象的成員列表，其中包括內(nèi)置命名空間的變量標(biāo)識(shí)（雙下劃線開(kāi)始和結(jié)束），以及obj對(duì)象的局部命名空間的變量。請(qǐng)編寫一個(gè)函數(shù)，返回去除的內(nèi)置命名空間變量的列表。3.續(xù)第2章的課后習(xí)題“三、程序題1.”，要求：（1）請(qǐng)編寫函數(shù)和主程序，輸入任意企業(yè)的人員規(guī)模和營(yíng)業(yè)收入，判斷企業(yè)規(guī)模類型。（2）結(jié)合“第二章【財(cái)務(wù)應(yīng)用與實(shí)踐】”，“工業(yè)”和“農(nóng)、林、牧、漁業(yè)”行業(yè)企業(yè)規(guī)模類型的判斷標(biāo)準(zhǔn)，采用類和函數(shù)編程，給定企業(yè)規(guī)模屬性，判斷企業(yè)類型。4.續(xù)第2章的課后習(xí)題“三、程序題2.”，要求：（1）編寫一個(gè)函數(shù)，打印輸出：表2-7個(gè)人所得稅稅率表；（2）編寫函數(shù)和主程序，輸入有意義年個(gè)人所得，給出應(yīng)納稅額。5.續(xù)本章【財(cái)務(wù)應(yīng)用與實(shí)踐】中的年金類程序，要求：（1）修改原有不適用的代碼，并增加定義“遞延年金“、“預(yù)付年金”（2）編寫或重寫計(jì)算現(xiàn)值和終值的實(shí)例方法；（3）編寫主程序，輸入任意年金的屬性值，可以得到其現(xiàn)值和終值。第四章一、選擇題下列代碼運(yùn)行的結(jié)果是（B）。importnumpyasnpa=np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])print(a[:,1])A. B. C. D. 續(xù)1題，print(a.shape)執(zhí)行的結(jié)果是（C）。A. (2,6) B. (4,3) C. (2,2,3) D. (3,2,2)下面代碼運(yùn)行的輸出結(jié)果是（A）。importnumpyasnpnp.arange(0.1,0.5,0.2)A.array([0.1,0.3]) B.array([0,0.3] C.array([0.1,0.5] D.array([0.3,0.5]下面代碼運(yùn)行的輸出結(jié)果是（C）。pd.DataFrame(np.array([[1,2,3],[4,5,6]]),columns=['a','b','c'])A. B. C. D. TypeerrorPandas使用Series()

函數(shù)來(lái)創(chuàng)建Series對(duì)象，當(dāng)傳遞的索引值無(wú)法找到與其對(duì)應(yīng)的值時(shí)，使用（B）填充。A.None B. NaN

C. null D. 0isnull()和notnull()用于檢測(cè)Series中的缺失值。如果為值不存在或者缺失，則isnull()返回（A），則notnull()返回（A）。A. True，F(xiàn)alse B. True，True C. False，True D. False，F(xiàn)alseDataFrame表格中每列的數(shù)據(jù)類型可以不同，稱為（B）。A. 同構(gòu)數(shù)據(jù)表 B. 異構(gòu)數(shù)據(jù)表 C. 結(jié)構(gòu)化數(shù)據(jù)表 D. 非結(jié)構(gòu)化下列（D）不是DataFrame遍歷的方法。A. itertuples() B. iterrows() C. iteritems() D. itercols()在沒(méi)有指定索引時(shí)，Series和DataFrame自帶行標(biāo)簽索引，這種情況為（C）。A. 01索引 B. 字符索引 C. 隱式索引 D. 顯式索引索引操作DataFrame，iloc允許接受兩個(gè)參數(shù)分別是行和列，參數(shù)之間使用“逗號(hào)”隔開(kāi)，但只能接收（B）。A. 標(biāo)簽索引 B. 整數(shù)索引 C. 隱式索引 D. 顯式索引二、判斷題NumPy的廣播功能要求運(yùn)算的數(shù)組的形狀完全一致。（×）Pandas只能讀入excel數(shù)據(jù)文件，而不能讀入像.txt這樣的存文本文件。（×）DataFrame對(duì)象的索引標(biāo)簽只能是整數(shù)，不能是其他數(shù)據(jù)類型。（×）DataFrame的iloc和loc是不同的屬性，前者關(guān)注數(shù)據(jù)的索引位置，后者則是索引標(biāo)簽。（√）Series可以保存任何數(shù)據(jù)類型，它的標(biāo)簽?zāi)J(rèn)為整數(shù)，從1開(kāi)始依次遞增。（×）DataFrame的方法isnull()，如果為值不存在或者缺失，則返回False。（×）DataFrame的方法notnull()，如果值不存在或者缺失，則返回True。（×）DataFrame是一種表格型的數(shù)據(jù)結(jié)構(gòu)，既有行標(biāo)簽(index)，又有列標(biāo)簽(columns)。（√）Series和DataFrame自帶行標(biāo)簽索引，稱為“顯式索引”。（×）DataFrame的loc方法允許接兩個(gè)參數(shù)分別是行和列，參數(shù)之間需要使用“冒號(hào)”隔開(kāi)，但該函數(shù)只能接收標(biāo)簽索引。（×）三、程序題1.首先鍵入如下代碼，并運(yùn)行，觀察運(yùn)行結(jié)果importpandasaspdimportnumpyasnpN=10df=pd.DataFrame({'日期':pd.date_range(start='2023-01-01',periods=N,freq='D'),'序號(hào)':np.linspace(0,stop=N-1,num=N),'重量':np.random.rand(N),'等級(jí)':np.random.choice(['Low','Medium','High'],N).tolist(),'體積':np.random.normal(100,10,size=(N)).tolist()})完成以下要求：（1）查閱資料，熟悉代碼中NumPy的方法；（2）利用head(),tail(),sample(),info(),describe()等函數(shù)，了解數(shù)據(jù)集；（3）提取偶數(shù)“序號(hào)”的數(shù)據(jù)集；（4）提取“重量”大于均值，并且體積小于中位數(shù)的數(shù)據(jù)集；（5）增加一列，標(biāo)簽為“產(chǎn)品質(zhì)量”，把（3）提取的樣本標(biāo)記為“不合格”，其他為合格；（6）把最終的DataFrame存儲(chǔ)為.csv文件。2.針對(duì)給定的上市公司基本信息數(shù)據(jù)集<公司基本信息.xlsx>，完成以下操作（1）讀入數(shù)據(jù)，要求把第2行設(shè)為列標(biāo)題，['股票代碼'，'同公司B股代碼','同公司H股代碼']列設(shè)為字符類型，'股票代碼'設(shè)置為索引列。（2）初步了解數(shù)據(jù)集查看數(shù)據(jù)了解數(shù)據(jù)集各列的數(shù)據(jù)類型，是否為空值，內(nèi)存占用情況數(shù)據(jù)集各列的數(shù)據(jù)統(tǒng)計(jì)情況（最大值、最小值、標(biāo)準(zhǔn)偏差、分位數(shù)等等）（3）依據(jù)索引和位置提取數(shù)據(jù)重新設(shè)置[股票代碼]及[上市板塊]為行索引，并排序使用loc或iloc進(jìn)行數(shù)據(jù)提取，并賦值。要求上市公司分為兩類：IT企業(yè)——[主營(yíng)產(chǎn)品名稱]含有“計(jì)算機(jī)”，其他企業(yè)——[主營(yíng)產(chǎn)品名稱]不含有“計(jì)算機(jī)”，并將寫入新的列[ICT分類]。提取注冊(cè)地在遼寧省，注冊(cè)資本最大的上市公司股票代碼（4）改寫數(shù)據(jù)列[注冊(cè)資本]，改成以“億元”為單位，并保留4位小數(shù)（5）根據(jù)要求提取數(shù)據(jù)文件的自己數(shù)據(jù)創(chuàng)業(yè)板的所有上市公司數(shù)據(jù)集df_c，并得到其中公司的個(gè)數(shù)根據(jù)得到的df_c，取得所有東三省的上市公司df_ne把的數(shù)據(jù)集df_ne，提取['股票代碼','公司簡(jiǎn)稱','首發(fā)上市日期','摘牌日期','注冊(cè)資本','所在省份']列，并存儲(chǔ)為xlsx文件，文件名為<東北地區(qū)創(chuàng)業(yè)板.xlsx>。操作數(shù)據(jù)集df_ne，按首發(fā)上市時(shí)間排序索引，得出東北地區(qū)每年上市的公司個(gè)數(shù)。第5章一、選擇題對(duì)DataFrame操作，下列方法中（C）是聚合方法。A. head() B. iloc() C. mean() D. reindex()在DataFrame中，使用聚合類方法時(shí)需要指定軸（axis）參數(shù)，（B）表示按垂直方向進(jìn)行計(jì)算。A. axis=1 B. axis=0 C. axis='columns' D. axis=None3-7題依據(jù)如下代碼的數(shù)據(jù)幀df回答。importPandasaspdimportnumpyasnpdata=[1,2,10,15,19,27]name=np.arange(6)columns=['col1']df=pd.DataFrame(data=data,index=name,columns=columns)gb=df.groupby(df['col1']//10)gb.ngroups上述代碼的輸出值為（B）。A. 2 B. 3 C. 4 D. 5gb.sum().iloc[2].col1上述代碼的輸出值為（D）。A. 3 B. 36 C. 11 D. 27gb.mean().iloc[2].col1上述代碼的輸出值為（D）。A. 3.0 B. 36.0 C. 11.0 D. 27.0gb.transform(lambdax:x-x.mean()).iloc[1].col1上述代碼的輸出值為（A）。A. 0.5 B. -0.5 C. 1.0 D. -1.0gb.apply(lambdax:x.max()-x.min()).iloc[0].col1上述代碼的輸出值為（C）。A. 0 B. -1 C. 1 D. 2通過(guò)給（D）函數(shù)傳遞一個(gè)自定義函數(shù)和適當(dāng)數(shù)量的參數(shù)值，把所有的DataFrme中元素作為整體操作對(duì)象。A. mean() B. applymap() C. apply() D. pipe()通過(guò)給（C）函數(shù)傳遞一個(gè)自定義函數(shù)和適當(dāng)數(shù)量的參數(shù)值，把DataFrme某一行或者某一列作為操作對(duì)象。A. mean() B. applymap() C. apply() D. pipe()DataFrame數(shù)據(jù)表結(jié)構(gòu)的（B）方法，他們都可以接受一個(gè)Python函數(shù)，并返回相應(yīng)的值。針對(duì)每個(gè)要素操作。A. mean() B. applymap() C. apply() D. pipe()二、判斷題Pandasjoin()函數(shù)具有l(wèi)eft，right，outer，inner連接方式，默認(rèn)為left連接。（√）groupby()是DataFrame方法，不適用Series。（×）GroupBy對(duì)象可以用于迭代。（√）在Pandas中的關(guān)系型連接函數(shù)merge()和join()中提供了on參數(shù)來(lái)代表連接方式。（×）Pandas能夠?qū)崿F(xiàn)SQL關(guān)系型數(shù)據(jù)庫(kù)的操作。（√）三、程序題1.簡(jiǎn)單數(shù)據(jù)處理根據(jù)給定的數(shù)據(jù)，完成操作任務(wù)。數(shù)據(jù)集生成代碼如下。[in] importPandasaspddata=[[5,6,1000],[15,5,1000]]name=['債券2301','債券2305']columns=['期數(shù)','利率','面值']df=pd.DataFrame(data=data,index=name,columns=columns)display(df)[out]完成如下任務(wù)：（1）用loc屬性或insert函數(shù)增加一個(gè)[數(shù)量]列，值為[100000,1000000]；（2）在df中增加一行數(shù)據(jù)，“債券2302”，值為[5,8,1000,1000000]；（3）修改行標(biāo)題，“債券2302”改為“債券2300”；（4）“債券2305”的[面值]修改為1100；（5）刪除[面值]為80或90的行。2.數(shù)據(jù)清洗根據(jù)給定的數(shù)據(jù)，完成數(shù)據(jù)清洗任務(wù)。數(shù)據(jù)集引入代碼如下。df_raw=pd.read_excel('..\data\ch5\習(xí)題\行業(yè)分類.xlsx',\dtype={'大類':str})完成如下任務(wù)：（1）使用數(shù)據(jù)清洗操作，將df_raw轉(zhuǎn)化為行業(yè)門類表（參考<..\data\ch5\習(xí)題\行業(yè)門類.xlsx>（2）使用數(shù)據(jù)清洗操作，將df_raw轉(zhuǎn)化為行業(yè)大類表（參考<..\data\ch5\習(xí)題\行業(yè)大類.xlsx>）3.數(shù)據(jù)處理根據(jù)給定的數(shù)據(jù)集，完成數(shù)據(jù)處理任務(wù)。在資源文件夾<data\ch5\習(xí)題\>中查閱如下文件。完成如下任務(wù)：（1）對(duì)“公司基本信息”數(shù)據(jù)集按行業(yè)大類分組，并得到注冊(cè)資本均值前5個(gè)行業(yè)的注冊(cè)資本的均值、最大值，公司個(gè)數(shù)。（2）對(duì)“利潤(rùn)表_T”，“資產(chǎn)負(fù)債表_T”2個(gè)表進(jìn)行處理，使它們添加[公司簡(jiǎn)稱]和[行業(yè)大類]列數(shù)據(jù)。（3）“利潤(rùn)表_T”和“資產(chǎn)負(fù)債表_T”進(jìn)行連接，得到有2個(gè)表都有的數(shù)據(jù)集，并存為<資產(chǎn)負(fù)債_利潤(rùn).xlsx>。

第6章一、選擇題以下關(guān)于使用Matplotlib繪圖流程的說(shuō)法錯(cuò)誤的是（D）。簡(jiǎn)單單個(gè)圖形，無(wú)需手動(dòng)創(chuàng)建畫(huà)布數(shù)據(jù)準(zhǔn)備是繪圖的基礎(chǔ)標(biāo)簽設(shè)置與繪制圖形沒(méi)有先后添加圖例可在繪制圖形之前以下有關(guān)數(shù)據(jù)量化分類的說(shuō)法錯(cuò)誤的是（B）。定類尺度的主要數(shù)學(xué)特征是“=”或“≠”順序尺度不能用表示類別量定距尺度是比順序尺度高一層次的計(jì)量尺度定比尺度的主要數(shù)學(xué)特征是“÷”或“×”以下關(guān)于使用Matplotlib繪圖的說(shuō)法錯(cuò)誤的是（C）。繪圖無(wú)法正確顯示中文在同一子圖繪圖一定會(huì)刪除覆蓋原圖形一個(gè)畫(huà)布只能創(chuàng)建一個(gè)子圖Matplotlib繪圖可以存儲(chǔ)為不同格式的圖形文件obj.plot或plt.plot()的函數(shù)中kind參數(shù)表示的是（B）。A. 垂直柱狀圖 B.繪圖類型 C. 不存在 D.None繪制直方圖，plt.plot()的函數(shù)的kind參數(shù)應(yīng)該賦值（C）。A. ‘kde’ B.‘bar’ C. ‘hist D.‘pie’下列代碼中繪制散點(diǎn)圖的是（B）。A. plt.plot() B.plt.scatter() C.plt.legend() D.plt.box()下列字符串是表示plot線條的顏色-紅色、形狀-五角星點(diǎn)、線形-短虛線的是（A）。A. 'r*-' B.'go-' C. 'r*+' D.'bs-'下列說(shuō)法正確的是（D）。餅圖中的數(shù)值表示樣本的數(shù)量關(guān)系散點(diǎn)圖的x軸刻度一定是數(shù)值箱線圖的異常值數(shù)量是不能調(diào)整的折線圖可以用作查看特征間的趨勢(shì)關(guān)系下列代碼執(zhí)行結(jié)果是（A）。importmatplotlib.pyplotaspltimportpandasaspddf=DataFrame([[20,60,178],[50,20,165],[45,67,167]],index=[1,2,3],columns=['age','weight','height'])df.plot(kind='bar')plt.show()A. B. C. D.基于如下代碼的說(shuō)法，正確的是（C）。importmatplotlib.pyplotaspltfig=plt.figure()ax=plt.axes()A. ax是畫(huà)布對(duì)象 B.fig是子圖對(duì)象 C. axes是子圖構(gòu)造函數(shù) D.figure是子圖類二、判斷題無(wú)序類別數(shù)據(jù)僅表示不同類別，而不表示其他之間量的順序或量的大小。（√）定距尺度的主要數(shù)學(xué)特征是“÷”或“×”。（×）obj.plot或plt.plot()的函數(shù)體參數(shù)完全一致。（×）plt.plot()默認(rèn)繪制折線圖（line）。（√）Series對(duì)象plot()方法中參數(shù)use_index默認(rèn)為True，用索引作為x軸刻度。（√）上市公司的上市年份是分類數(shù)據(jù)，也是順序數(shù)據(jù)，也是定距數(shù)據(jù)，而不是比例數(shù)據(jù)。（√）plt.xlabel()和plt.ylabel()用于設(shè)置子圖x、y軸標(biāo)題。（√）在同一幅圖形中繪制多根線條，不能采用多次調(diào)用plot函數(shù)。（×）plt.show()會(huì)釋放圖形對(duì)象資源，如果在顯示圖像之前保存圖片將只能保存空?qǐng)D片。（×）1個(gè)畫(huà)布figure可以有若干子圖axes，1個(gè)子圖一般有2個(gè)數(shù)軸axis。（√）三、程序題1.利用DataFrame繪圖（1）data是某城市生產(chǎn)總值r=[0.83,0.92,1.12,1.23,1.21,1.52,2.24,2.52,2.54]#總收入(百萬(wàn))data=pd.DataFrame({'總收入:百萬(wàn)':r},index=['2014','2015','2016','2017','2018','2019','2020','2021','2022'])請(qǐng)分別采用plt、sns和DataFrameAPI，繪制該數(shù)據(jù)的line/bar/hist/box圖。（2）給（1）的數(shù)據(jù)增加兩個(gè)列。data['投資收益占比']=[0.1,0.15,0.20,0.14,0.25,0.23,0.3,0.32,0.35]data['ESG評(píng)級(jí)']=['合格','良','良','良','優(yōu)','良','優(yōu)','良','優(yōu)']請(qǐng)分別采用plt、sns和DataFrameAPI，分別繪制該數(shù)據(jù)多組數(shù)據(jù)的line/bar/hist/box圖。并再將這些圖集成為1張圖。（3）精細(xì)繪圖。請(qǐng)給根據(jù)（2）的數(shù)據(jù)data，繪制畫(huà)布大小為8×6，樣式如圖6-4所示的圖形。圖6-4data精細(xì)繪圖樣本2.數(shù)據(jù)集可視化讀入資源包<..\data\ch6\固定資產(chǎn).csv>數(shù)據(jù)集（1）對(duì)該數(shù)據(jù)集進(jìn)行清洗，得到上市公司年報(bào)固定資產(chǎn)數(shù)據(jù)，并填充缺失數(shù)據(jù)集。得到新的數(shù)據(jù)集。（2）對(duì)（1）得到的數(shù)據(jù)集進(jìn)行可視化，要求：固定資產(chǎn)賬面原值的各個(gè)類別的箱線圖固定資產(chǎn)賬面原值，固定資產(chǎn)賬面價(jià)值的總計(jì)散點(diǎn)圖篩選出“平安銀行”的固定資產(chǎn)數(shù)據(jù)，畫(huà)一張圖展示該公司的固定資產(chǎn)的變化，以及各個(gè)類別之間的關(guān)系第7章一、選擇題下列不是Pandas數(shù)據(jù)的是（D）A．objectB．datetime64C．categoryD．list下列關(guān)于Pandas數(shù)據(jù)的說(shuō)法不正確的是（D）。object可以轉(zhuǎn)化為stringdtypes屬性為序列或數(shù)據(jù)幀的數(shù)據(jù)類型astype方法可以改變序列的數(shù)據(jù)類型object和string是同一種數(shù)據(jù)類型下列代碼的執(zhí)行結(jié)果是（C）。s=pd.Series([100,88,999])s.astype('string').str[1][1]A．’0’B．’9’C．’8’D．’1’下列有關(guān)字符串的說(shuō)法正確的是（D）。chr()能夠把任意整數(shù)解釋成字符decode()方法能把任意編碼轉(zhuǎn)化為字符串Python默認(rèn)的字符編碼為GBKencode()方法能夠把任意字符串轉(zhuǎn)化為對(duì)應(yīng)的編碼re.findall('[^ac]','abc')的執(zhí)行結(jié)果是（B）。A．['^a']B．['b']C．['^ab']D．['a']下列有關(guān)str對(duì)象的說(shuō)法錯(cuò)誤的是（B）。str屬性定義在Index或Seriesstr對(duì)象方法和str的方法完全一致object或string數(shù)據(jù)類型都有str屬性str對(duì)象方法有時(shí)返回一個(gè)DataFrame下列代碼的執(zhí)行結(jié)果是（C）re.findall(r'大連市(.{2,3}區(qū))(.{2,3}[街|路])(\d+號(hào))','大連市沙河口區(qū)尖山街217號(hào)')[('沙河口','尖山','217')][('區(qū)','街','號(hào)')][('沙河口區(qū)','尖山街','217號(hào)')][('大連市沙河口區(qū)','尖山街','217號(hào)')]下列代碼的執(zhí)行結(jié)果是（C）。my_index=pd.Index(['abc','abc','abc'])my_index.str.rstrip().str.len()Int64Index([3,3,5],dtype='int64')Int64Index([4,3,3],dtype='int64')Int64Index([4,3,4],dtype='int64')Int64Index([5,3,4],dtype='int64')下列代碼的執(zhí)行結(jié)果是（C）。s=pd.Series(['D','U','F','E'])s.str.pad(7,'both','*')[2]'***D***''***U***''***F***''***E***'pd.to_numeric方法能夠?qū)ψ址袷降臄?shù)值進(jìn)行快速轉(zhuǎn)換和篩選，其中不是參數(shù)errors選項(xiàng)的是（A）。'downcast''raise''coerce''ignore'二、判斷題Pandas有一種類別數(shù)據(jù)類型category，用于對(duì)分類值進(jìn)行編碼。（√）正則表達(dá)式是由普通字符和元字符組成的文字模式。（√）普通字符都是可打印字符。（×）在正則表達(dá)式中特殊字符稱為轉(zhuǎn)義字符。（×）正則表達(dá)式中匹配前面的子表達(dá)式零次或一次，使用元字符*或{0,1}。（×）正則表達(dá)式語(yǔ)法中"貪婪"搜索，指的是盡可能快速地搜索最短的匹配文字。（×）轉(zhuǎn)義字符集與正則表達(dá)式的簡(jiǎn)寫字符集等價(jià)。（×）flags參數(shù)是用來(lái)指定正則表達(dá)式操作的額外選項(xiàng)。（√）re的拆分和查找操作只能從左到右，不支持從右到左。（×）re只能處理一行文本數(shù)據(jù)，多行處理需要借助其他工具。（×）三、程序題1.正則表達(dá)式（1）pile()函數(shù)的用法，代碼如下。[in] importrepattern=pile(r'\d+')result=pattern.findall('中國(guó)999，創(chuàng)新777')print(result)[out]['999','777']請(qǐng)學(xué)習(xí)pile語(yǔ)法，效仿以上代碼，查閱資料，了解中國(guó)資本市場(chǎng)上市公司股票代碼的編碼規(guī)則。請(qǐng)編寫pattern在多行文本中，匹配上市公司股票代碼。并將結(jié)果分別命名為：深市主板，深市中小板，上市主板，上市科創(chuàng)板2.str對(duì)象df為數(shù)據(jù)幀，代碼如下。[in] df=pd.DataFrame([['機(jī)器設(shè)備(5)','1280萬(wàn)','120萬(wàn)'],['房屋及建筑物(3)','8.89億','2億'],['交通工具(12)','99萬(wàn)','2萬(wàn)']],columns=['固定資產(chǎn)(數(shù)量)','原值','累計(jì)折舊'])請(qǐng)根據(jù)要求做如下操作：（1）將[固定資產(chǎn)(數(shù)量)]列中的[數(shù)量]改為獨(dú)立列存儲(chǔ)。（2）編寫函數(shù)，將[原值],[累計(jì)折舊]兩列轉(zhuǎn)化為數(shù)字列。文本數(shù)據(jù)處理綜合讀取數(shù)據(jù)資源包文件<公司基本信息_習(xí)題.csv>，代碼如下。[in] df=pd.read_csv('..\data\ch7\公司基本信息_習(xí)題.csv',encoding='gbk')display(df.sample(5))[out]請(qǐng)根據(jù)要求做如下操作：（1）考察上市公司注冊(cè)地址，與辦公地址是否一致。并用適當(dāng)圖形展示。（2）對(duì)[注冊(cè)地址]與[辦公地址]不一致的上市公司進(jìn)行文本分析。根據(jù)結(jié)果創(chuàng)建一個(gè)新的數(shù)據(jù)集，對(duì)公司地址不一致的上市公司進(jìn)行分類，如雙總部，異省搬遷，省搬遷等。并用適當(dāng)圖形展示。第8章一、選擇題DatetimeIndex是由（B）對(duì)象組成的序列。A. datetime64[ns] B.Timestamp C. Datetimes D.timeIndex下列代碼的執(zhí)行結(jié)果是（C）。s=pd.Series({'日期':'10-Feb-23'})s=pd.to_datetime(s)print(s.dt.month)A. 日期10-2-23 B.日期Feb C. 日期2 D.錯(cuò)誤通過(guò)date_range()方法可以創(chuàng)建某段連續(xù)的時(shí)間或者固定間隔的時(shí)間段,（C）不是該函數(shù)的參數(shù)。A. start B.end C. period D.freq下列代碼的執(zhí)行結(jié)果是（B）。s=pd.Series(['2020-02-1402:14:00'])s=pd.to_datetime(s)print(s.dt.day.values)A. 02-14 B.[14] C.14 D.錯(cuò)誤可以將整型或浮點(diǎn)型表示的時(shí)間轉(zhuǎn)換為時(shí)間戳，時(shí)間戳單位默認(rèn)是（C）。A. 毫秒 B.秒 C.納秒 D.微秒Pandas（D）方法，將標(biāo)量、數(shù)組、列表或Series轉(zhuǎn)換為Timedelta類型。A. to_datetime B.DatetimeIndex C.TimedeltaIndex D.to_timedelta下列代碼的執(zhí)行結(jié)果是（A）。index=pd.date_range('20220201','20220215')data=[3,3,6,4,2,20,3,8,9,10,12,15,13,22,14]s_data=pd.Series(data,index=index)print(s_data.rolling(3).mean()[2])A. 4.0 B.6.0 C3. D.4.33pd.to_datetime()函數(shù)能夠智能將常見(jiàn)日期格式轉(zhuǎn)換,'2023/10/1'轉(zhuǎn)換為（A）。A. ['2023-10-01'] B.['2023-01-10'] C.['2023/01/10'] D.['下列有關(guān)dt對(duì)象的索引和切片說(shuō)法正確的是（D）。A.dt對(duì)象的索引和切片與list相同B.時(shí)間序列分析過(guò)程中，一般不把時(shí)間戳序列作為索引使用C.DatetimeIndex數(shù)據(jù)類型精確到分鐘D.dt對(duì)象切片操作的引用可以不在索引序列之中下列代碼的執(zhí)行結(jié)果是（D）。index=pd.date_range('20230501','20230515')data=[3,6,4,5,2,1,3,9,9,10,12,15,13,22,14]s_data=pd.Series(data,index=index)print(s_data.rolling(3,min_periods=1).mean()[1])A. 3.0 B.6.0 C.4.0 D.4.5二、程序題1.resample()方法（1）重采樣resample()方法，可以把時(shí)間序列數(shù)據(jù)集從一個(gè)時(shí)間頻率f1轉(zhuǎn)換為另一個(gè)時(shí)間頻率f2，分為降采樣和升采樣。閱讀執(zhí)行以下代碼，理解降采樣的意義。index