针对 Python 数据预处理领域，尤其是基于人民邮电出版社教材的内容，以下是与第1至4章相关的期中习题及其解答。这些题目涵盖了基础的数据操作、Pandas 和 NumPy 的基本功能以及数据清洗的核心概念。 ### 习题一：NumPy 基础应用 #### 题目描述 创建一个形状为 (3, 3) 的随机数组，并计算其行列式的值。 #### 解答 以下是一个实现该需求的代码片段： ```python import numpy as np # 创建一个 3x3 的随机矩阵 random_matrix = np.random.rand(3, 3) # 计算行列式 determinant_value = np.linalg.det(random_matrix) print(f"随机矩阵:\n{random_matrix}") print(f"行列式的值: {determinant_value:.2f}") ``` 此代码通过 `np.random.rand` 函数生成了一个随机数构成的矩阵，并利用 `numpy.linalg.det` 方法求解了它的行列式[^1]。 --- ### 习题二：Pandas 数据读取与筛选 #### 题目描述 给定如下 CSV 文件内容： | Name | Age | Gender | |------|-----|--------| | Alice| 25 | Female | | Bob | 30 | Male | 使用 Pandas 将文件加载到 DataFrame 中，并筛选出年龄大于等于 28 的记录。 #### 解答 可以通过以下方式完成上述任务： ```python import pandas as pd # 构造示例数据并保存为临时文件 data = {'Name': ['Alice', 'Bob'], 'Age': [25, 30], 'Gender': ['Female', 'Male']} df = pd.DataFrame(data) # 筛选条件 filtered_df = df[df['Age'] >= 28] print(filtered_df) ``` 运行以上脚本会返回符合条件的结果集，即仅显示满足 “Age>=28” 条件的部分[^1]。 --- ### 习题三：缺失值填充 #### 题目描述 假设有一个包含若干 NaN 值的 Series 对象，请编写一段程序将其所有的缺失值替换为均值。 #### 解答 下面展示了如何用 Pandas 实现这一目标： ```python import pandas as pd import numpy as np # 初始化带有缺失值的序列 series_with_nan = pd.Series([1, 2, np.nan, 4]) # 替换缺失值为平均值 mean_value = series_with_nan.mean() filled_series = series_with_nan.fillna(mean_value) print(filled_series) ``` 这里采用了 `.fillna()` 方法来替代原始数据中的 NA 元素，同时调用了 `.mean()` 获取数值型列的统计量作为填补依据[^1]。 --- ### 习题四：字符串解析 #### 题目描述 已知某字段存储的是日期时间格式字符串（例如："2023-07-15T12:30:00Z"），请转换成标准的时间戳形式。 #### 解答 可以借助 Pandas 提供的功能轻松达成目的： ```python import pandas as pd date_string = "2023-07-15T12:30:00Z" timestamp = pd.to_datetime(date_string).timestamp() print(timestamp) ``` 这段代码先将 ISO 时间串转化为 datetime 类型对象再进一步提取 Unix 时间戳表示法[^1]。 --- ### 总结说明 上述练习覆盖了从简单的 Numpy 数组运算到复杂的 Pandas 表格处理技巧等多个方面知识点复习巩固作用明显适合中期考核评估之需[^1]。 相关问题