2025年AI数据标准化处理实操考核卷及答案.docxVIP

2025年AI数据标准化处理实操考核卷及答案

考试时间：______分钟总分：______分姓名：______

一、

假设你获得了一个用于预测房价的AI项目数据集。该数据集包含以下特征列：`面积(平方米)`、`卧室数量`、`浴室数量`、`房龄(年)`、`距离市中心距离(千米)`。其中，`房龄`存在少量缺失值。

请编写Python代码，完成以下任务：

1.使用`pandas`加载数据（假设数据存储在`data.csv`文件中，第一行为列名）。

2.处理`房龄`列的缺失值，采用该列的均值进行填充。

3.对`面积`、`距离市中心距离`两列应用Z-score标准化（使用`scikit-learn`的`StandardScaler`）。注意，对于缺失值处理和标准化，要确保仅在非缺失值上应用`fit`，并将学习到的参数应用于所有数据。

4.对`卧室数量`、`浴室数量`两列应用Min-Max标准化（使用`scikit-learn`的`MinMaxScaler`），将值缩放到`[0,1]`范围。

5.将处理后的数据保存到一个新的CSV文件`processed_data.csv`中，索引不保存。

二、

继续使用上述数据集和第一题完成的处理结果。假设模型开发团队要求所有数值特征在标准化后，其标准差必须严格等于1.0（由于浮点数精度问题，允许有微小的偏差，例如在`1e-6`范围内即可视为符合要求），且所有数值特征在标准化后最小值必须大于或等于0。

请检查第一题中应用`StandardScaler`和`MinMaxScaler`处理后的数据是否满足这两个条件。如果不满足，请调整你的标准化处理代码（在第一题的基础上修改，可以增加新的`scikit-learn`transformer或调整现有步骤），使得处理后的数据满足这两个条件。只需提供调整后的代码部分。

三、

在第二题的基础上，假设数据集的某个特征`楼层`代表房屋所在的楼层，其取值范围是连续的。为了方便某些机器学习算法处理，需要将该特征转换为离散化特征。请使用`pandas`的`cut`函数，将`楼层`列的值分成3个等宽的区间（bin），并将新区间标签分别设为`低层`、`中层`、`高层`。将这个离散化后的新特征列命名为`楼层类别`，并添加到处理后的数据框中。最后，将包含`楼层类别`的数据框保存到`final_processed_data.csv`文件中。假设`楼层`列在第一题和第二题的处理后仍然存在。

四、

假设你需要将处理好的数据集（`final_processed_data.csv`，包含`楼层类别`）用于训练一个机器学习模型。在训练模型之前，通常需要将分类特征进行编码。请分别使用标签编码（LabelEncoding）和独热编码（One-HotEncoding）两种方法，对`楼层类别`特征进行转换。

1.编写代码使用标签编码对`楼层类别`进行转换，将编码结果存储在一个新的列`楼层类别_标签`中。输出该列的前5行数据。

2.编写代码使用独热编码对`楼层类别`进行转换，使用`scikit-learn`的`OneHotEncoder`。假设`OneHotEncoder`的输出需要与原始数据框合并，请先获取独热编码后的特征名称，然后使用`pandas`的`get_dummies`函数或合适的方法将独热编码结果转换为DataFrame，并将其与原始数据框（不包含`楼层类别`和`楼层类别_标签`列）合并。最终输出合并后的数据框的前5行数据。

试卷答案

一、

```python

importpandasaspd

fromsklearn.preprocessingimportStandardScaler,MinMaxScaler

fromsklearn.imputeimportSimpleImputer

#1.加载数据

df=pd.read_csv(data.csv)

#2.处理房龄列的缺失值，采用均值填充

imputer=SimpleImputer(strategy=mean)

df[房龄]=imputer.fit_transform(df[[房龄]]).ravel()

#3.对面积和距离市中心距离应用Z-score标准化

scaler_std=StandardScaler()

df[面积_标准化]=scaler_std.fit_transform(df[[面积]])

df[距离市中心距离_标准化]=scaler_std.fit_transform(df[[距离市中心距离]])

#4.对卧室数量和浴室数量应用Min-Max标准化

scaler_minmax=MinMaxScaler()

df[卧