1. (2022高二上·余姚期中) 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。

图 a

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） 图a 所示的数据为(A .结构化数据\ B .非结构化数据\ C .半结构化数据）
5. （3） 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 dfl=，则 dfl 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')]

7. （4） 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 dfl 中，代码略 g=dfl.groupby(“所在地市”,as_index=False).sum( ) print(   ▲   )

   并生成图 b 所示的图表：

   图 b

   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)
9. （5） 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，程序中划线处代码请填空。

   #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( )