上信考：【数据科学技术及应用】考试大纲题型示例、例题解析、模拟卷答案

目录

例题解析

单选题，共10题，20分(二级)

多选题，共5题，10分(二级8分，三级2分)

考试大纲题型示例

1．单选题

2．多选题

3．简答题

4．分析操作题

5．综合应用题

模拟卷答案

一、单选题

二、多选题

三、操作题：

(一) 简答题

（二）分析操作题

（三）综合应用题

---

主包今年参加了“2025年上海市高等学校信息技术水平考试”，在复习的时候发现模拟卷是没有答案的，所以抽空做这一篇文章

例题解析

单选题，共10题，20分(二级)

【例】某平台分析大学生常用的手机品牌适合展示各品牌的使用比例。

A.直方图

1. 饼图
2. C.折线图
3. D.箱须图

【参考答案】B

【例】数据智能主要依赖于技术从大量数据中提取有价值的信息。

A. 机器学习

B.传统数据库查询

C.手工数据分析

D.简单的统计计算

【参考答案】C

多选题，共5题，10分(二级8分，三级2分)

【例】(二级)数据科学的知识结构主要由组成。

1. 生活常识

B.数学

C.计算机科学

D.领域专业知识

【参考答案】BCD

【例】(三级)多模态大模型能够基于文本描述生成包含相关内容的图像，主要采用了等技术。

1. 大规模预训练模型
2. 文本图像语义表示对齐
3. 跨模态学习
4. 图像库自动筛选
5. 【参考答案】ABC

考试大纲题型示例

1．单选题

107【例】建模分析时，通常用于训练的样本数量_________测试集的样本数量。

A．小于 B．等于 C．大于 D．小于等于

【参考答案】C

【能力目标】理解使用机器学习算法建模，性能评估的基本原则和方法，考核机器学习建模

分析能力。

【知识内容】训练集、测试集、划分方法。

2．多选题

【例】关于饼图的描述，错误的是_________。

A． 描述总体的样本值的构成比

B． 饼图每个扇形表示一类样本占总体的百分比

C． 描述总体的各样本区间的样本数量

D． 饼图反映多个总体取值之间的数量关系

【参考答案】CD

【能力目标】理解可视化图形分析的目标，考核数组分析能力。

【知识内容】常用可视化分析图形。

3．简答题

【例】请描述自己专业领域某个具体场景所涉及的数据，给出各项数据名称，含义以及数据

的类型（连续数值/可选项/文本/图像/视频/声音/时序）等。

【能力目标】从数据分析的角度了解专业领域的数据，组织专业数据，考核数据科学意识。

【知识内容】数据的多样性和数据类型。

4．分析操作题

（可选择任意分析工具或编写 Python 程序实现分析过程）

【例】文件 gold_data.csv 中存放了 2012 年至 2022 年黄金交易数据。在处理了缺失数据后，

统计 2022 年金价的平均收盘价（源程序文件 fill_1.py）。具体要求如下：

（1）读取 gold_data.csv 文件中的数据，判断数据中是否有空值，并输出各列的空值情况。

（2）Volume 列缺失的值，使用 Volume 的序列均值进行填充；

（3）计算 2022 年金价的平均收盘价(Close/Last)。

108#源程序文件fill_1.py

# -*- coding: utf-8 -*-

import pandas as pd

#设置亚洲文字显示宽度

pd.set_option("display.unicode.east_asian_width",True)

pd.set_option("display.unicode.ambiguous_as_wide",True)

#1) 读取gold_data.csv文件中的数据；

data= pd.read_csv('gold_data.csv')

print(data.head())

#2)判断数据中是否有空值，并输出各列的空值情况；

is_NAN = data.【1】.any()

print(is_NAN)

# Volume列缺失的值，使用Volume的均值进行填充；

data['Volume'].【2】

# 将Date列的数据类型转换为datetime

data['Date'] = pd.to_datetime(data['Date'])

#3)计算2022年金价的平均收盘价(Close/Last)；

jj=data.loc[data["Date"]>='01/01/2022','Close/Last']

print("2022年金价的平均收盘价：{:.2f}".format(【3】))

【参考答案】

1）读取 gold_data.csv 文件中的数据，判断数据中是否有空值，并输出各列的空值情况。

Excel: 逐个筛选

Spss: 描述统计

2）Volume 列缺失的值，使用 Volume 的序列均值进行填充；

Excel: 均值+替换

SPSS: 替换缺失值

3）计算 2022 年金价的平均收盘价(Close/Last)。

Excel:筛选+subtotal 函数

Spss：个案选择+分组统计

Python 编程

填空：

【1】 isnull()

【2】 fillna(data["Volume"].mean(), inplace=True)

【3】 jj.mean()

结果截图：

【能力目标】掌握缺失数据预处理、以及简单统计分析的能力。

111【知识内容】

（1）缺失数据筛选创建多维数组；

（2）缺失数据填充；

（3）样本均值统计。

5．综合应用题

【例】动物具有多种特征，根据这些特征动物可以分为哺乳类、鸟类、爬行类、鱼类和两栖

类等。animals.csv 记录了动物的名字、毛发、蛋、腿、尾巴等多种特征（具体说明见“数据集说

明”文件），类型被标记为 Mammal（哺乳动物）、bird（鸟类）、others（其他）三大类。

请根据数据集（animals.csv）文件格式，正确获取数据样本进行预处理，统计分析，建立分

类模型；请尝试多种算法，比较分类的性能。具体要求如下：

（1）从文件中读出所需的数据，根据分析需求将所需的数据保存到 DataFrame 中；

（2）数据清洗，判断数据集中是否有缺失数据，并采取合适的方法处理；

（3）统计各类动物的数量，并列出每类动物的名字；

（4）数据预处理，将“type”的值转换为数值类型；

（5）使用散点图矩阵分析动物类型与蛋、尾巴特征间的相关性，并计算他们之间的相关

系数；

（6）选择合适的数据列作为特征和标签形成数据集用于训练分类模型，并将分为训练集和

测试集；

（7）在训练集上建立分类模型，在测试集上测试模型预测的准确性。 在已学习的分类方法

（决策树、支持向量机、神经网络）中试用两种算法；

（8）根据第（7）步的运行结果，说明两种算法在动物分类数据上的性能。请将结果用文字

描述在程序文件给出的注释行中。

【能力目标】理解应用场景需求，选择分析方法和技术，实现分析目标，考核领域应用方案

及原型设计能力。

【知识内容】

（1）数据汇总统计、可视化分析。

（2）机器学习，有监督学习，神经网络。

模拟卷答案

一、单选题

B. 设备采集

C. 用折扣比例的平均值替换空值

D. 众数

B. 大模型使用互联网上过去数十年的文本、图像数据训练模型

B. 饼图

A. 人工智能

B. 回归

A. 图像识别

C. 时序分析技术

A. 文本分类

二、多选题

B. 数学

C. 计算机科学

D. 领域专业知识

C. 计算订阅量均值和标准差

D. 绘制订阅量的直方图

A. 家庭视频监控报警

C. 分析 X 光片进行疾病诊断

A. 线性回归

C. 朴素贝叶斯

D. 随机森林

A. 大规模预测结果（Transformer）

B. 文本图像语义表示对齐

C. 跨模态学习

三、操作题：

(一) 简答题

1. 分位数在高中赋分制中的应用

答：高中赋分制将学生成绩按排名比例划分为10个等第，这实质上是使用分位数（特别是十分位数）对成绩进行分段。具体方法如下：

将所有考生的原始分数从高到低排序

将排序后的数据分为10个等分，每个等分包含10%的考生

第1等第对应前10%的考生（90%分位数以上）

第2等第对应前10%-20%的考生（80%-90%分位数）

依此类推，第10等第对应后10%的考生（10%分位数以下）

这样可以将不同难度的考试原始分转换为相对公平的等第成绩。

2. K-means在超市选址中的应用

答：企业可以利用K-means聚类方法进行分店选址决策：

确定分店数目：通过肘部法则或轮廓系数确定最优的K值（分店数量）

数据准备：将居民住宅区的经纬度作为二维特征数据

聚类分析：对经纬度数据进行K-means聚类，每个簇的中心点即为潜在分店选址

选址优化：选择簇内居民点密集、交通便利的簇中心作为最终分店位置

决策依据：确保每个分店的服务半径覆盖足够多的居民区，同时避免分店之间服务范围重叠

（二）分析操作题

1

1. np.random.uniform

2. axis=1

3. totals[totals<30]

4. film_booking.argmax()

2.

[1] RestHomes["性质"] == "民营"

[2] groupby("区")

[3] sort_values

[4] plot.pie

3.

[1] read_csv

[2] isnull()

[3] fillna(data['Volume'].mean(), inplace=True)

[4] jj.mean()

4.

[1] merge

[2] ds.columns

[3] concat

[4] ds["城市"] == "上海"

（三）综合应用题

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import OneHotEncoder

from sklearn.ensemble import RandomForestClassifier

from sklearn.svm import SVC

from sklearn.metrics import classification_report, accuracy_score

# 1) 读取数据

data = pd.read_csv('happiness.csv')

# 2) 幸福感转换为数值型

happiness_mapping = {'非常不幸福':1, '比较不幸福':2, '说不上幸福不幸福':3,

                    '无法回答':3, '比较幸福':4, '非常幸福':5}

data['幸福值'] = data['幸福感'].map(happiness_mapping)

# 3) 独热编码处理养老责任特征

encoder = OneHotEncoder(sparse_output=False)

养老责任_encoded = encoder.fit_transform(data[['养老应该由谁负责']])

养老责任_df = pd.DataFrame(养老责任_encoded, columns=encoder.get_feature_names_out(['养老应该由谁负责']))

data = pd.concat([data, 养老责任_df], axis=1)

# 4) 统计幸福感分布并绘制饼图

happiness_counts = data['幸福感'].value_counts()

plt.figure(figsize=(8, 8))

plt.pie(happiness_counts.values, labels=happiness_counts.index, autopct='%1.1f%%')

plt.title('幸福感分布情况')

plt.show()

# 5) 计算相关系数，筛选最相关特征

numeric_data = data.select_dtypes(include=[np.number])

correlations = numeric_data.corr()['幸福值'].abs().sort_values(ascending=False)

top_feature = correlations.index[1]  # 排除幸福值自身

# 6) 构建特征数据集

feature_columns = [col for col in data.columns if col not in ['幸福感', '幸福值', '养老应该由谁负责']]

feature_columns = [col for col in feature_columns if col in numeric_data.columns]

X = data[feature_columns]

y = data['幸福值']

# 7) 划分训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 8) 建立两种分类模型

# 随机森林

rf_model = RandomForestClassifier(n_estimators=100, random_state=42)

rf_model.fit(X_train, y_train)

# 支持向量机

svm_model = SVC(kernel='rbf', random_state=42)

svm_model.fit(X_train, y_train)

# 9) 测试模型性能

rf_pred = rf_model.predict(X_test)

svm_pred = svm_model.predict(X_test)

print("随机森林分类报告:")

print(classification_report(y_test, rf_pred))

print("支持向量机分类报告:")

print(classification_report(y_test, svm_pred))

# 10) 模型效果比较

rf_accuracy = accuracy_score(y_test, rf_pred)

svm_accuracy = accuracy_score(y_test, svm_pred)

print(f"随机森林准确率: {rf_accuracy:.4f}")

print(f"支持向量机准确率: {svm_accuracy:.4f}")

if rf_accuracy > svm_accuracy:

    print("随机森林模型在此数据集上表现更好")

else:

print("支持向量机模型在此数据集上表现更好")

声明：著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

创作声明：部分内容由AI辅助生成
内容来源网络，进行整合/再创作