数据分析与可视化-实验报告二

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

收藏

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 练习进度 0 / 0

随机练习 自定义设置练习量

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

在机器学习中，将数据集划分为训练集和测试集的主要目的是什么？

在机器学习中，下列哪种现象最能说明模型发生了过拟合？

以下哪一项最适合使用回归分析来解决？

线性回归方程的标准形式是以下哪一个？

在机器学习预处理中，StandardScaler() 的主要作用是什么？

在特征工程中，对数值特征进行Min-Max归一化后，数据将被缩放到哪个范围？

下列哪种方法不能有效解决过拟合问题？

对于类别型特征（如颜色：红、绿、蓝），使用One-Hot编码而非直接用整数编码（0、1、2）的主要原因是什么______？

以下哪个场景最适合使用多元线性回归模型______？

岭回归（Ridge）和套索回归（Lasso）的共同目的是什么______？

交通流数据可视化分析本实验以城市快速路交通流检测数据为背景，要求学生综合运用Pandas数据处理技能和Seaborn可视化库，独立完成从数据读取、清洗、统计分析到图表绘制的完整分析流程。任务一导入库与字体设置 · 导入pandas、numpy、matplotlib.pyplot、seaborn四个库，并使用标准缩写（pd、np、plt、sns）。 · 设置中文字体为Microsoft YaHei（Windows）或STHeiti（macOS），并关闭负号显示异常。任务二数据读取与探查 · 使用pd.read_csv()读取road_traffic.csv文件。 · 打印"【输出前五行为数据】"提示语，并输出df.head()。 · 打印"【数据基本信息】"提示语，并调用df.info()查看数据类型与缺失情况。 · 调用df.describe()查看各数值列的描述性统计量。任务三数据清洗 · 使用df.isnull().sum()统计并打印各列缺失值数量。 · 使用df.dropna()删除含缺失值的行，并打印清洗前后的行数变化。 · 将speed列中小于0或大于120的值识别为异常值，统计异常值数量并打印。

交通流数据可视化分析本实验以城市快速路交通流检测数据为背景，要求学生综合运用Pandas数据处理技能和Seaborn可视化库，独立完成从数据读取、清洗、统计分析到图表绘制的完整分析流程。任务一导入库与字体设置 · 导入pandas、numpy、matplotlib.pyplot、seaborn四个库，并使用标准缩写（pd、np、plt、sns）。 · 设置中文字体为Microsoft YaHei（Windows）或STHeiti（macOS），并关闭负号显示异常。任务二数据读取与探查 · 使用pd.read_csv()读取road_traffic.csv文件。 · 打印"【输出前五行为数据】"提示语，并输出df.head()。 · 打印"【数据基本信息】"提示语，并调用df.info()查看数据类型与缺失情况。 · 调用df.describe()查看各数值列的描述性统计量。任务三数据清洗 · 使用df.isnull().sum()统计并打印各列缺失值数量。 · 使用df.dropna()删除含缺失值的行，并打印清洗前后的行数变化。 · 将speed列中小于0或大于120的值识别为异常值，统计异常值数量并打印。 · 用正常数据的中位数替换异常速度值，打印替换所用的中位数。任务四统计分析 · 使用groupby按daytype分组，计算flow和speed的平均值，并打印结果。 · 筛选出工作日数据，按小时计算平均流量，使用idxmax()找出高峰小时并打印。任务五数据可视化 · 图(a)：使用sns.barplot()绘制各小时平均交通流量的分组柱状图，以daytype为hue参数区分工作日与周末，添加标题和坐标轴标签，保存为plot_a_barplot.png。 · 图(b)：使用sns.scatterplot()绘制flow与speed的散点图，以daytype为hue参数，设置alpha=0.6，添加标题和坐标轴标签，保存为plot_b_scatter.png。【缺少答案，请补充】

1