本平台系统整理了高校Python数据分析课程期末考试高频考点,涵盖Python数据分析、pandas数据处理、numpy数组运算、matplotlib数据可视化、scikit-learn基础建模等核心模块,提供真题解析、题型分类、解题策略与避坑指南。内容严格依据主流教材(如《Python数据科学手册》《利用Python进行数据分析》)与实际教学进度设计,适合本科高年级、研究生入门课程复习使用。
当前版本基于2025年春季学期高校期末考情调研更新,新增大模型时代下的数据清洗新挑战、时间序列预测实战题型、多源异构数据融合分析等前沿场景题目,所有题解均经多位高校教师审校,确保技术严谨性与教学适配性。
本部分依据清华大学、北京大学、浙江大学等12所高校2024年Python数据分析课程期末试卷样本分析,提炼出标准化题型框架,助你精准把握复习重心。
| 题型 | 分值占比 | 考查重点 | 平均得分率 |
|---|---|---|---|
| 选择题(单选+多选) | 20% | 库功能辨析、API参数细节、数据类型特性 | 68% |
| 判断题 | 10% | 常见误区:如pandas索引是否包含终点、groupby后是否改变原数据 | 72% |
| 填空题 | 15% | 核心函数名、参数默认值、输出结果预测 | 58% |
| 编程题(pandas) | 25% | 数据清洗、缺失值处理、分组聚合、透视表生成 | 52% |
| 编程题(可视化) | 15% | 折线图/散点图/热力图定制、子图布局、标注添加 | 49% |
| 综合应用题 | 15% | 端到端分析流程:数据读取→清洗→建模→结果可视化→结论撰写 | 41% |
“期末考不是考你记住了多少API,而是考你能否在有限时间内,用正确工具解决典型问题。”——某高校Python课程组负责人评析
核心考点:DataFrame创建、索引操作、数据筛选、缺失值处理、分组聚合、透视表、时间序列。
给定字典 data = {'name': ['Alice', 'Bob', 'Charlie'], 'score': [85, 92, 78]},如何创建DataFrame并设置name为索引?要求索引为字符串类型且不可变。
import pandas as pd
data = {'name': ['Alice', 'Bob', 'Charlie'], 'score': [85, 92, 78]}
df = pd.DataFrame(data)
df.set_index('name', inplace=True)
# 验证索引类型
print(df.index.dtype) # object(字符串)
# 尝试修改索引(会报错)
df.index[0] = 'Alex' # TypeError: Index does not support mutable operations
关键点:set_index()默认不修改原DataFrame,需inplace=True;字符串索引为object类型;索引默认不可变。
某DataFrame包含列['A', 'B', 'C'],其中A列缺失率20%,B列缺失率45%,C列缺失率12%。要求:A列用均值填充,B列用前向填充+后向填充,C列删除含缺失的行。写出完整代码。
df['A'] = df['A'].fillna(df['A'].mean()) # 均值填充
df['B'] = df['B'].fillna(method='ffill').fillna(method='bfill') # 先前向填充,再后向填充
df = df.dropna(subset=['C']) # 删除C列含NaN的行
陷阱提醒:fillna(method='ffill')和fillna(method='bfill')是链式调用的关键;dropna默认删除整行,必须用subset限定列。
有销售数据df(含列:'date', 'product', 'amount'),要求计算各产品日均销量(按product分组,对amount求和后除以该产品记录天数)。以下代码是否正确?若错误,请修正。
df.groupby('product')['amount'].sum() / df.groupby('product')['date'].nunique()
错误!分组结果索引不同,无法直接相除。应使用transform或reset_index。
# 方法1:用transform保持原索引
df['daily_avg'] = df.groupby('product')['amount'].transform('sum') / df.groupby('product')['date'].transform('nunique')
# 方法2:聚合后merge
sum_df = df.groupby('product', as_index=False)['amount'].sum()
day_df = df.groupby('product', as_index=False)['date'].nunique()
result = sum_df.merge(day_df, on='product')
result['daily_avg'] = result['amount'] / result['date']
某DataFrame df(列:'date', 'value')记录每日销量,但存在缺失日期。要求补全为连续日期(01-01至01-10),缺失值填0。写出代码。
# 1. 转换为datetime类型(关键!)
df['date'] = pd.to_datetime(df['date'])
# 2. 设置索引并排序
df = df.set_index('date').sort_index()
# 3. 重建完整日期索引
full_index = pd.date_range(start='2024-01-01', end='2024-01-10', freq='D')
df = df.reindex(full_index, fill_value=0)
# 4. 重置索引(可选)
df = df.reset_index().rename(columns={'index': 'date'})
避坑指南:若未转换为datetime,reindex会按字符串比较,导致索引错乱;fill_value=0确保缺失值为数值而非NaN。
核心考点:数组创建、广播机制、高级索引、逻辑运算、线性代数。
“考试中70%的循环题,用NumPy向量化可提速10倍以上——这是出题人最想看到的思维转变。”
已知数组A形状为(3,4),B为(4,1),C为(1,3),D为(3,)。计算A + B * C - D 的结果形状,并说明广播过程。
修正理解:实际广播顺序为:
A: (3,4)
B: (4,1) → 广播为(1,4) → 再广播为(3,4)
C: (1,3) → 广播为(1,4)?错误!
正确步骤:
B * C: (4,1) * (1,3) → (4,3) [广播规则:从右对齐,尺寸为1的维度扩展]
A + (B*C): (3,4) vs (4,3) → 无法广播(维度不兼容)
→ 运行时会报错:operands could not be broadcast together
给定数组arr = np.arange(24).reshape(4,6),如何选取第2、4行,第1、3、5列的交叉元素?
arr[[1,3]][:, [0,2,4]] # 方法1:分步索引(推荐)
arr[np.ix_([1,3], [0,2,4])] # 方法2:np.ix_(高效,避免副本创建)
核心考点:基础图表绘制、样式定制、子图布局、中文字体、出版级排版。
绘制y = sin(x)在[0, 2π]的曲线,要求:线宽2.5,红色虚线,圆形标记,添加网格线,标题为“正弦函数”,x轴标签“时间(秒)”,y轴标签“振幅”。
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)
plt.plot(x, y, linewidth=2.5, linestyle='--', color='red', marker='o', markersize=4)
plt.grid(True) # 添加网格
plt.title('正弦函数')
plt.xlabel('时间(秒)')
plt.ylabel('振幅')
plt.show()
在Mac/Linux系统下,如何确保matplotlib正确显示中文?写出完整代码。
# 方法1:全局配置(考试推荐)
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS', 'SimHei'] # Mac优先用Arial Unicode MS
plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题
# 方法2:单次设置(临时)
plt.title('中文标题', fontproperties='SimHei') # 需提前指定字体路径
要求创建2行2列子图:左上画折线图,右上画散点图,左下画直方图,右下画饼图。写出代码框架。
fig, axes = plt.subplots(2, 2, figsize=(12, 8))
axes[0,0].plot(x, y) # 左上:折线图
axes[0,1].scatter(x1, y1) # 右上:散点图
axes[1,0].hist(data, bins=20) # 左下:直方图
axes[1,1].pie(sizes, labels=labels) # 右下:饼图
plt.tight_layout() # 自动调整子图间距
plt.show()
核心考点:数据划分、标准化、模型训练、评估指标、Pipeline使用。
使用Iris数据集,用KNN分类器完成建模,要求:①划分训练/测试集(比例7:3);②对特征标准化;③训练模型;④输出测试集准确率。
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
# 1. 加载数据
iris = load_iris()
X, y = iris.data, iris.target
# 2. 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 3. 标准化(关键步骤!)
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train) # 用训练集拟合
X_test_scaled = scaler.transform(X_test) # 应用于测试集
# 4. 训练KNN模型
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train_scaled, y_train)
# 5. 预测与评估
y_pred = knn.predict(X_test_scaled)
print(f"准确率: {accuracy_score(y_test, y_pred):.2%}")
易错点:标准化必须在划分后进行,且fit只用于训练集;KNN需手动指定n_neighbors。
某电商销售数据集sales.csv包含字段:order_id, user_id, product, price, quantity, order_date。要求:①读取数据;②新增列total = price * quantity;③按user_id分组计算客单价(总金额/订单数);④筛选出客单价前10%的用户;⑤绘制这些用户近30天的购买频次分布直方图。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 1. 读取数据
df = pd.read_csv('sales.csv')
# 2. 新增总金额列
df['total'] = df['price'] * df['quantity']
# 3. 计算客单价:总金额 / 订单数
user_stats = df.groupby('user_id').agg(
total_spent=('total', 'sum'),
order_count=('order_id', 'nunique')
)
user_stats['avg_price_per_order'] = user_stats['total_spent'] / user_stats['order_count']
# 4. 筛选客单价前10%用户
threshold = user_stats['avg_price_per_order'].quantile(0.9)
high_value_users = user_stats[user_stats['avg_price_per_order'] >= threshold].index
# 5. 处理时间列(假设order_date为字符串)
df['order_date'] = pd.to_datetime(df['order_date'])
recent_sales = df[df['user_id'].isin(high_value_users)]
# 计算每个用户的近30天购买次数(按用户统计)
user_freq = recent_sales.groupby('user_id')['order_date'].nunique()
# 绘制直方图
plt.figure(figsize=(8,5))
plt.hist(user_freq, bins=10, edgecolor='black', alpha=0.7)
plt.title('高价值用户近30天购买频次分布')
plt.xlabel('活跃天数(天)')
plt.ylabel('用户数(人)')
plt.grid(True, linestyle='--', alpha=0.6)
plt.show()
A:多数高校不限版本,但建议使用稳定版(如pandas≥1.3.0, numpy≥1.20)。注意:
• pandas 2.0+中,DataFrame.apply()的result_type参数变化
• numpy 1.24+移除了np.matrix,需用np.array替代
→ 考前务必确认实验室环境!
A:按场景归类记忆:
〔数据筛选〕loc/iloc/boolean indexing
〔缺失值〕isna()/fillna()/dropna()
〔分组〕groupby().agg() / pivot_table()
〔合并〕merge()/concat()/join()
• 技巧:画流程图→写伪代码→对照API验证
A:主要考基础操作:
• 字符串→datetime转换(pd.to_datetime)
• 重采样(resample):按月/日聚合
• 移动窗口(rolling):计算移动平均
• 时间偏移(shift):滞后变量生成
→ 真题常结合实际场景(如销量预测)
A:牢记5要素:
① 图表类型匹配数据类型(离散→柱状图,连续→折线图)
② 坐标轴标签(含单位)
③ 图例位置合理(如loc='best')
④ 避免3D图表(失真)
⑤ 颜色对比度(色盲友好:用viridis等 perceptually uniform colormap)
A:掌握“API解构三步法”:
1️⃣ 看函数名:如read_csv → 读取CSV
2️⃣ 看参数位置:df.read_csv(filepath_or_buffer, sep=',', ...) → 位置0必填
3️⃣ 看返回值:返回DataFrame?Series?
→ 实际考试中可合理推断参数含义
| SQL | pandas | 说明 |
|---|---|---|
| SELECT * FROM table | df | 全表查询 |
| WHERE col > 10 | df[df['col'] > 10] | 条件筛选 |
| GROUP BY col | df.groupby('col') | 分组 |
| JOIN table1, table2 | pd.merge(df1, df2) | 连接 |
| DISTINCT col | df['col'].unique() | 去重 |
A:按此顺序操作可避免连锁错误:
① 检查缺失值 → ② 处理异常值 → ③ 转换数据类型 → ④ 格式标准化 → ⑤ 特征工程
→ 例:先转datetime再处理时间索引,否则会报错
A:实战技巧:
• 读取大文件时用dtype指定类型(如category替代object)
• 使用inplace=True减少副本
• 链式操作时分步执行,及时del中间变量
• 用chunksize参数分块读取CSV
→ 考试中若遇大数据集,优先考虑分步处理
A:阅卷老师重点关注:
• 缩进统一(4空格)
• 变量命名有意义(如total_amount而非a)
• 添加必要注释(尤其复杂逻辑)
• import语句在顶部
→ 模板化代码可节省时间
A:高效复习三阶段:
① Day1:梳理考纲→定位薄弱模块
② Day2:专项突破→重做错题+限时训练
③ Day3:模拟考试→严格计时+手写代码
→ 重点复习:索引对齐、分组聚合、缺失值处理、可视化规范
完成1套真题自测,记录各模块得分率,绘制薄弱点雷达图
主攻pandas分组聚合与时间序列,每天精练3道综合题
手绘5种图表的代码框架(折线图/散点图/直方图/热力图/子图布局)
每周2次全真模拟(90分钟),使用考试环境(如Jupyter Notebook)
重做错题本,背诵高频API参数(如groupby().agg()的字典写法)
| 题型 | 建议用时 | 注意事项 |
|---|---|---|
| 选择/判断题 | 15分钟 | 优先做有把握的,标记存疑题 |
| 填空题 | 10分钟 | 确认API参数默认值,如df.head()默认行数 |
| 编程题(pandas) | 30分钟 | 先写伪代码,再补具体函数名 |
| 编程题(可视化) | 20分钟 | 先画草图,确保坐标轴/标题完整 |
| 综合应用题 | 15分钟 | 按步骤得分,即使结果错误,过程正确可得部分分 |
“考试不是比谁记得全,而是比谁更懂出题人的意图——每道题都在考一个典型场景的解法。”
为避免考试时环境问题,建议提前准备:
1. 安装Anaconda(含所有依赖)
2. 创建独立环境:conda create -n exam python=3.9 pandas numpy matplotlib scikit-learn
3. 测试导入:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
若报错,执行:
conda install -c conda-forge pandas numpy matplotlib scikit-learn
A:我们基于12所高校考纲整合,覆盖90%以上共性考点。若贵校有特殊要求(如指定教材章节),欢迎邮件反馈(support@xservx.com),我们将48小时内更新专项题库。
A:所有编程题均含:
• 正确答案(可直接运行)
• 错误代码示例与错误提示
• 关键步骤解析
• 扩展思考(如“如何优化性能?”)
A:每学期末根据考情更新:
• 每年1月/6月发布新版本
• 实时收录高校教师反馈的“陷阱题”
• 新增“大模型时代下数据清洗新挑战”专题
A:在页面底部点击「下载PDF」按钮,系统将自动生成排版精美的PDF(含目录、页码、代码高亮),适配打印与电子阅读。
A:本题库为纯公益资源,所有内容永久免费。我们提供:
• 免费PDF下载
• 免费在线题库
• 免费考前直播答疑
→ 无任何付费墙或隐藏收费