【譯】技能測試解決方案：Python中的數據科學（四）

本文是譯文，能夠轉載，但需註明出處，點擊這裏能夠獲取原文，有刪減。
本系列博文包含四篇文章：
【譯】技能測試解決方案：Python中的數據科學（一）——Q1-Q15
【譯】技能測試解決方案：Python中的數據科學（二）——Q16-Q30
【譯】技能測試解決方案：Python中的數據科學（三）——Q31-Q45
【譯】技能測試解決方案：Python中的數據科學（四）——A1-A45及其解釋

A1:B

解釋：「分類型」變量的數據類型爲「object」。

---

A2:C

解釋：函數「unique」能夠找出指定變量不一樣的取值。

---

A3:C

解釋：函數「isnull()」能夠檢驗某個變量的每一個取值是不是空值。在Python2.7版本中，1和0分別表示True和False，所以，把它們加起來就是咱們想要的結果。

---

A4:A

解釋：「~」運算符爲取反運算符。

---

A5:C

解釋：若是打算刪除5行或5行以上的變量， 「dropna」 函數中 「thresh」參數應該設定爲樣本量減5。

---

A6:B

解釋：解決方案分兩步：

1. 構造一個映射字典；

2. 把這個映射字典應用於替代函數。

---

A7:D

解釋：解決這個問題應注意：

1. 「&」運算符能夠實現提取複合布爾索引數據；

2. 「shape[0]」返回總樣本量；

3. Python大小寫敏感。

---

A8:D

解釋：這是一個集合論的經典案例。

---

A9:B

解釋：能夠參考map與apply函數之間的區別。

---

A10:B

解釋：（無）。

---

A11:B

解釋：首先求出字符中的數字，再求數字的平均值。

---

A12:B

解釋：列表中的最後一個元素，能夠用「-1」做爲索引。

---

A13:B

解釋：首先用「Sex」變量對數據集進行分組，再用合適的值對缺失值進行填充。

---

A14:B

解釋：（無）。

---

A15:B

解釋：如前所述，布爾變量的True能夠用1代替。

---

A16:C

解釋：若是打算把布爾型變量值轉換成整型，能夠用「astype(int)」實現。

---

A17:C

解釋：能夠用pandas中的「names」參數來指定列名。

---

A18:B

解釋：「category」數據類型是pandas新增特性。

---

A19:B

解釋：在pandas中能夠經過「str」函數來獲取字符串函數。

---

A20:B

解釋：（無）。

---

A21:D

解釋：「corr」函數中 「method」參數的默認值爲「pearson」。

---

A22:B

解釋：能夠參考pivot_table函數和pivot函數的區別。

---

A23:C

解釋：（無）。

---

A24:A

解釋：（無）。

---

A25:B

解釋：（無）。

---

A26:B

解釋：（無）。

---

A27:B

解釋：（無）。

---

A28:B

解釋：（無）。

---

A29:A

解釋：（無）。

---

A30:C

解釋：（無）。

---

A31:C

解釋：（無）。

---

A32:B

解釋：（無）。

---

A33:D

解釋：（無）。

---

A34:D

解釋：（無）。

---

A35:B

解釋：（無）。

---

A36:C

解釋：（無）。

---

A37:B

解釋：「axis=1」能夠對列進行操做，而 「axis=0」則對行進行操做。

---

A38:C

解釋：（無）。

---

A39:A

解釋：（無）。

---

A40:B

解釋：（無）。

---

A41:D

解釋：（無）。

---

A42:C

解釋：（無）。

---

A43:C

解釋：（無）。

---

A44:A

解釋：（無）。

---

A45:B

解釋：（無）。

---

友情連接：
【譯】技能測試解決方案：Python中的數據科學（一）——Q1-Q15
【譯】技能測試解決方案：Python中的數據科學（二）——Q16-Q30
【譯】技能測試解決方案：Python中的數據科學（三）——Q31-Q45