当前位置： 首页 > 所有资源 > 《大数据预处理》资源 > 电大资源网《大数据预处理》国家开放大学期末考试题库（124）【一平台机考】

电大资源网《大数据预处理》国家开放大学期末考试题库（124）【一平台机考】2025年春

最近更新：2024-12-04
0

适用科目：《大数据预处理》 课程号：99999

总题量（124）： 单选(39) 多选(0) 简答(8) 判断(40) 填空(29) 程序题(8)

重要提示：本站不支持微信或苹果手机充值及下载，为了避免下载出错，请用电脑访问下载资源
下载地址1
15积分
下载附件

附件已包含答案

使用说明：下载的附件为zip压缩包，需解压，解压后PDF文档，已按题目首字首写字母排版整理，直接打印使用。

（点击下列按钮即可跳转对应的题型位置）
  • 单选(39)
  • 简答(8)
  • 判断(40)
  • 填空(29)
  • 程序(8)
[单选] 1. 在大多数箱线图绘图工具中，定义上限值位置和下限值位置分别为（）。
[单选] 2. 下图是某分类变量各类别计数分布的箱线图，从图中可知（）。
[单选] 3. 下列数据特征缩放的公式中，正确的是（）。
[单选] 4. 下列关于用方差分析进行变量选择的表述中，不正确的是（）。
[单选] 5. 下列关于异常值识别方法的表述中，不正确的是（）。
[单选] 6. 下列关于异常值的表述中，不正确的是（）。
[单选] 7. 下列关于异常值的表述中，不正确的是（）。
[单选] 8. 下列关于异常值处理方法的表述中，正确的是（）。
[单选] 9. 下列关于异常值处理的表述中，不正确的是（）。
[单选] 10. 下列关于哑变量的说法中，不正确的是（）。
[简答] 1. 请简述异常值的含义。
[简答] 2. 请简述数据特征缩放对数据分析的意义。
[简答] 3. 请简述使用相关系数选择变量的思想和步骤。
[简答] 4. 请简述将变量缩放至区间[-1,1]时，Max-ABS缩放与Min-Max缩放的效果是否相同。
[简答] 5. 简述数据离散化的操作含义。
[简答] 6. 简述缺失值填补的思路。
[简答] 7. 简述低频分类数据的特点、形成原因及影响。
[简答] 8. 简述等宽法的适用情况。
[判断] 1. 在数据预处理时，数据集中变量的数量不能发生变化。
[判断] 2. 在数据存储过程中，由于设备故障造成存储失败而导致的数据缺失，属于客观条件原因。
[判断] 3. 在进行变量选择时需要遵循的原则是，剔除的变量必须对数据分析影响较小。
[判断] 4. 异常值的数值可能是真实的值。
[判断] 5. 一旦发现异常值，就应当将其删除。
[判断] 6. 完全随机缺失类型是指数据的缺失不受任何内部和外部因素的影响。
[判断] 7. 通过考察变量中每一个样本值与变量分布中心的相对距离来识别异常值。
[判断] 8. 所有的异常值都必须删除。
[判断] 9. 所有的数据错误都可以被发现并纠正。
[判断] 10. 数量归约是指从所有样本中选择一个有代表性的子集，因此也称为样本归约。
[填空] 1. 找出data中3000到10000的值，结果保存在result中：
[填空] 2. 通过画箱线图对数据data识别异常值：
[填空] 3. 使用客观法离散化data，设定了参数为bins = [0, 10000, 100000, 200000, np.inf]，标签为["new", "used", "old", "worn"]，结果保存在result中：
[填空] 4. 使用截断方法，将大于data_mean+5*data_std赋值为data_mean+5*data_std ：
[填空] 5. 使用test_x数据集计算只包含部分变量var_new的新模型model_new的AUC值：
[填空] 6. 使用boston数据实现线性回归模型填补。首先初始化一个线性回归模型，模型的训练集为train，将含有缺失值的变量LSTAT作为目标变量，其余变量作为自变量拟合模型：
[填空] 7. 使用boston数据实现线性回归模型填补。首先初始化一个线性回归模型，模型的训练集为train，将含有缺失值的变量LSTAT作为目标变量，其余变量作为自变量拟合模型：
[填空] 8. 截取addr的前三个字，并查看唯一值：
[填空] 9. 将数据集data中的所有变量缩放到区间[0,5]，结果保存在data_scale中：
[填空] 10. 将数据集data中的变量v1的缺失值使用其均值进行填补，将填补完的变量保存在v1_fill中：
[程序题] 1. 请写出下方代码的功能 train, test = train_test_split(data, test_size=0.3)
[程序题] 2. 请写出下方代码的功能 scaler = StandardScaler()
[程序题] 3. 请写出下方代码的功能 pearson = pd.Series(name="pearson correlation")
[程序题] 4. 请写出下方代码的功能 model_all = GradientBoostingClassifier(random_state=0)
[程序题] 5. 请写出下方代码的功能 dt_example = pd.Series("")
[程序题] 6. 请写出下方代码的功能 data_1 = copy.deepcopy(data)
[程序题] 7. 请写出下方代码的功能 car_data = pd.read_csv(r"d:cardata.csv",header=0)
[程序题] 8. 请写出下方代码的功能 bin_1=pd.cut(price,bins=5)