2020年上海市高等学校信息技术水平考试试卷_三级_数据科学技术及应用_模拟卷_三、程序填空题_答案_数据科学技术与应用模拟题(2020)

2020年上海市高等学校信息技术水平考试试卷_三级_数据科学技术及应用_模拟卷_三、程序填空题_答案

（本试卷考试时间 150 分钟）

答案是自己做的，经验证，可成功运行。
内容仅供学习交流，不可转载。

点击下载源程序

三、程序填空题 ( 本大题 4 道小题 ，每空 3 分，共 36 分）。

1.

提示：
a) 题目源程序存放在"C:\KS"文件夹下，供程序调试；
b) Python科学计算库函数使用说明存放在"C:\KS"文件夹下，注意不同类库的函数存放在相应的sheet下。

某商品的成本（cost）可以根据产量（output）进行计算： cost=0.14*output+42.7，编写程序模拟商品的生产数据，估计商品的成本（源程序fill_1.py）。

1)使用数组记录6次生产的商品产量（千件），分别为10、5、7、9、11、8；
2)根据公式计算每次生产商品的成本；
3)假设实际成本围绕计算的成本值上下波动，波动值服从均值为0、方差为2的正态分布，随机生成6个数据，模拟每次的波动；
4)加上波动值，计算6次生产商品的实际成本。

源程序文件（fill_1.py）
#1）使用数组记录6次生产的商品产量（千件），分别为10、5、7、9、11、8；
output = 【1】
#2)根据公式计算每次生产商品的成本；
cost = 0.14*output + 42.7 
print( '1:cost: ',cost)
#3)实际成本围绕计算成本上下波动，波动值服从均值为0，方差为2的正态分布。
#随机生成6个数据，模拟每次的波动；
varcost = np.【2】(0,2,6) 
print( '2:variance: ',varcost)
#4）加上波动值，计算6次生产商品的实际成本。
cost =【3】 
print( '3:cost: ',cost)
1
2
3
4
5
6
7
8
9
10
11
12
13

答案：

#【1】：np.array([10,5,7,9,11,8])
#【2】：random.uniform
#【3】：cost+varcost
1
2
3

2.

提示：
a) 题目源程序存放在"C:\KS"文件夹下，供程序调试；
b) Python科学计算库函数使用说明存放在"C:\KS"文件夹下，注意不同类库的函数存放在相应的sheet下。

根据IDC的统计数据，各品牌手机在中国的年销量如表1所示（源程序fill_2.py）。

1)根据表1的数据，绘制折线图分析各品牌销量发展趋势，如图1所示；
2)计算2018年各品牌手机的同比增幅（(Y2018-Y2017)/Y2017），并在原数据中增加新列"INC2018"，如图2所示；
3)显示增幅为正的品牌2015-2018年的销售量。

图1 手机销量折线图

图2 增加列：2018年各品牌手机的同比增幅INC2018

源程序文件（fill_2.py）
#1)记录表1的数据，绘制折线图分析各品牌销量发展趋势;
index = ['Huawei','Apple','OPPO','vivo','Mi'];
columns = ['Y2015','Y2016','Y2017','Y2018']
data = np.array( [ [62.9,76.6,90.9,104.97], [58.4,44.9,41.1,36.32],
         [35.3,78.4,80.5,78.94],[35.1,69.2,68.6,75.97],
         [64.9,41.5,55.1,51.99] ] )
sales = DataFrame(【1】)
print(sales)
#绘制折线图
psales = DataFrame(data.T, columns, index)
print(psales)
plt.rcParams['font.sans-serif'] = ['SimHei']
【2】(title='2015~2018国内手机销量',LineWidth=2, marker='o',
        linestyle='dashed',grid=True,alpha=0.9)
plt.show()
#2)计算2018年各品牌手机的同比增幅，并在原数据中增加新列"2018同比增幅"；
sales['INC2018'] =【3】
print(sales)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

答案：

#【1】：data=data,columns=columns,index=index
#【2】：psales.plot
#【3】：(sales['Y2018']-sales['Y2017'])/sales['Y2017']
1
2
3

3.

提示：
a) 题目源程序存放在"C:\KS"文件夹下，供程序调试；
b) Python科学计算库函数使用说明存放在"C:\KS"文件夹下，注意不同类库的函数存放在相应的sheet下。

表2和表3分别记录了部分"人工智能"类图书的一周销售数据（源程序fill_3.py）。

1)根据表2和表3分别创建数据对象，然后将两个数据对象合并，如表4所示；
2)统计每家出版社出版的图书数，如图3所示；
3)显示一周各出版社销售额，如图4所示。

图3 每家出版社出版的图书数

图4 一周各出版社销售额

源程序文件（fill_3.py）
import numpy as np
import pandas as pd
from pandas import DataFrame

#1)分别记录根据表2和表3中数据，然后合并
books1={"bookname": ['Python数据分析基础', '数据科学与大数据分析','机器学习','人工智能简史'],"press": ['人民邮电出版社', '高等教育出版社', '清华大学出版社', '人民邮电出版社'], "price": [38.9, 56.4, 45.2, 23.5], "sales": [25, 39, 44, 24]}
col_name=['bookname','press','price','sales']
df1=DataFrame(books1,index=['A01','A02','A03','A04'], columns = col_name)
print(df1)

books2={"bookname": ['Python程序设计', '数据科学导引','深度学习', '机器学习实战','TensorFlow框架',],"press": ['清华大学出版社', '高等教育出版社','人民邮电出版社', '人民邮电出版社', '电子工业出版社'], "price":[42.1, 34.5, 67.1, 56.0,78.2],"sales": [30,18,32,20,10]}
df2=DataFrame(books2,index=['B01','B02','B03','B04','B05'], columns = col_name)
print(df2)

#合并df1和df2
df3=pd.【1】([df1,df2])
print("数据集合并后:\n",df3)

#2）统计每家出版社出版的图书数量
print("\n出版社出版的图书数:\n",df3['press'].【2】, "\n")

#3)显示一周各出版社销售额
df3['total'] = df3['price']*df3['sales']
grouped = df3.groupby('press')
print( grouped.aggregate(【3】) )
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

答案：

#【1】：concat
#【2】：value_counts()
#【3】：{'price':np.sum}
1
2
3

4.

提示：
a) 题目源程序存放在"C:\KS"文件夹下，供程序调试；
b) Python科学计算库函数使用说明存放在"C:\KS"文件夹下，注意不同类库的函数存放在相应的sheet下。

风记录数据集（winds.csv）记录了2014年某区域发生的台风信息，包含台风名、台风等级、气压（百帕）、移动速度（公里/时)、纬度、经度、记录数、顺序、风速（米/秒）等9个属性，具体说明见"数据集说明"文件。（源程序fill_4.py）

1. 从文件中读出台风数据；
   2）查看是否存在缺失数据，删除包含缺失数据的样本；
   3）输出达到超强台风等级的台风名字。

源程序文件（fill_4.py）
import pandas as pd
import numpy as np

#1) 从文件中读出台风数据
filename = 'winds.csv'
winds = pd.【1】(filename)
#print(winds[0:5])

#2）查看是否存在缺失数据，删除包含缺失数据的样本
print(winds.isnull())
【2】(inplace = True)

#3）输出达到超强台风等级的台风名
names = winds.loc[ 【3】,"windname"  ].unique()
print("\n达到超强台风等级：\n", names  )
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

答案：

#【1】：read_csv
#【2】：winds.dropna
#【3】：['level'].values=='超强台风'
1
2
3