1. (2022高二下·绍兴期末) 小明搜集了某网络购物平台2021年1月1日至2021年9月30日时间段内的日用化妆品销售数据，原始数据如下图a所示。

1. （1） 小明对数据进行了整理，下列操作不恰当的是（   ）（单选，填字母）。

   A . 发现记录中有6 条重复，对这6 条记录进行了删除 B . 发现记录中有38 处数据项缺失，直接删除相关记录 C . 将某条记录中订单日期“2050-6-9”订正为“2021-6-9” D . 将某条记录中订单日期“2021#3#11”修改为“2021-3-11”
3. （2） 小明发现数据中仍有极少量时间段外的记录混杂其中，利用Python 及pandas 模块进行处理。请回答问题：

   ① 采用pandas 模块中的（单选：填字母：A .Series / B .DataFrame）

   数据结构存储全部数据会比较高效。

   ② 全部数据保存于变量df 中，为筛选出订单日期为2021 年第一季度内的所有记录，

   可以执行Python 语句df1 =  ，则df1 中保存筛选结果。（单选，填字母。

   提示：多条件筛选时，条件之间用“&”连接，表示需要同时满足这多个条件）

   A．df[ (df['订单日期'] <= '2021-1-1' ) & (df ['订单日期'] <= '2021-3-31') ]

   B．df [ (df ['订单日期'] >= '2021-1-1') & (df ['订单日期'] >= '2021-3-31') ]

   C．df [(df ['订单日期'] >= '2021-1-1') & (df ['订单日期'] <= '2021-3-31')]

5. （3） 经过以上两步处理之后，为了解“所在地市”第一季度“订购数量”前10 名的情况，

   编写如下Python 程序段：

   #数据整理结果保存于变量df1中，代码略

   g = df1.groupby('所在地市', as_index = False).sum()

   print           )

   

   则划线处的代码可为（   ）（多选，填字母）

   A . g.sort_values('订购数量',ascending = False) [0:10] B . g.sort_values('订购数量',ascending = True).tail(10) C . g.sort_values('订购数量',ascending = True)[0:10] D . g.sort_values('订购数量',ascending = False).head(10)
7. （4） 根据以上数据整理结果，小明对第一季度所在地市的“订购数量”进行可视化处理，如图b所示。

   

   实现上述功能的Python程序部分代码如下：

   #按“所在地市”对第一季度数据分组并求和，再按“订购数量”升序排序

   #选取最后10条数据，存入变量s，代码略

   import matplotlib.pyplot as plt

   x = s['所在地市']

   y =

   plt.barh(x, y, color = 'r')

   plt.show( )

   程序中划线处代码应为。

9. （5） 小明借助大数据技术，对近几年来该网络购物平台的日用化妆品销售数据进行了分析。

   应用该分析结果可能提供的数据服务是（列举一条即可）。