2024年甘肃省职业院校技能大赛中职组“大数据应用与服务“赛卷①

2024年甘肃省职业院校技能大赛中职组"大数据应用与服务"赛卷①

中职大数据应用与服务技能竞赛交流裙
q裙：982262433 

模块一：数据库系统运维

环境说明：

模块一涉及到的数据库数据表信息如下：
数据库-数据表

movies表


ratings表

users表


基本要求：
1、本模块为技能实操，满分25分。
2、禁止携带参考资料入场。
任务一：电影数据库系统之数据表管理
【任务要求】
本环节需要使用MySQL数据库系统完成关于电影信息的建库、建表、数据的导入、数据表的管理等操作。
【任务需求背景】
在今天的数字娱乐时代，电影产业扮演着至关重要的角色，为观众提供了 无尽的娱乐选择。了解观众对电影的评分和喜好是制作和推荐电影的关键因素之一。因此，我们决定建立一个电影评分信息管理系统，以更好地了解和分析电影评分数据，提供更精准的电影推荐服务，并深入了解市场趋势和用户口味。
【具体任务】
1、在MySQL数据库的MovieDB库中，创建一个名为movies的数据表，包含的字段见上面的数据表说明，指定movie_id字段为主键，该字段非空，数据库引擎为InnoDB，默认字符集为utf8。将完整命令及运行结果截图粘贴到对应答题报告中；
2、查看刚才创建的movies表结构，将完整命令及结果截图粘贴到对应答题报告中；
3、执行database主机下/usr/local/src目录下的movies.sql文件，将数据导入到刚才创建的movies表中，将完整命令及结果截图粘贴到对应答题报告中；
4、使用SQL命令查看ratings表中前20条数据（查询结果只显示前20条数据），将完整命令及结果截图粘贴到对应答题报告中；
5、使用SQL命令查看ratings表中第41至第50条数据（查询结果只显示第41至第50条数据），将完整命令及结果截图粘贴到对应答题报告中；
6、使用SQL命令复制ratings表的表结构到new_ratings表中，将完整命令及结果截图粘贴到对应答题报告中；
7、使用SQL命令复制ratings表的表结构及表中前10条数据到 new_ratings_new表中，将完整命令及结果截图粘贴到对应答题报告中；
8、使用SQL命令修改new_ratings_new表中rating列的列名为user_rating，该字段类型修改为char(3)，将完整命令及结果截图粘贴到对应答题报告中；
9、使用SQL命令删除new_ratings_new表中的timestamp字段，将完整命令及结果截图粘贴到对应答题报告中；
10、使用SQL命令给new_ratings_new表增加一个字段comment_time（代表评论的时间），字段类型应符合实际意义，将完整命令及结果截图粘贴到对应答题报告中；

11、使用SQL命令删除new_ratings表和new_ratings_new表，将完整命令及结果截图粘贴到对应答题报告中；
任务二：电影数据库系统之数据管理
【任务要求】
本环节需要使用SQL语句对数据表的数据进行查询和统计。
【任务需求背景】
SQL作为一种全球通用的语言，任何人都可以学习使用。虽然看起来很复杂，除开特定数据库系统专用的SQL命令，其它基本上不需要任何事先的知识，而且 命令通常比较少。SQL能够快速的查询和统计大量数据，发现数据的趋势和数据之间的关系。SQL是一种与数据库打交道的标准语言，熟练地使用SQL可以确保 每个使用数据库的人都会使用相同的命令，使得开发人员更容易创建与多个数据库一起工作的应用程序。
【具体任务】
1、使用SQL语句查询users表中职业为程序员的用户。将完整SQL语句和运行结果的后5条数据以及总数据行数截图粘贴到对应答题报告中；
2、使用SQL语句查询users表中职业为程序员的男性用户。将完整SQL语句和运行结果的后5条数据以及总数据行数截图粘贴到对应答题报告中；
3、使用SQL语句查询users表中年龄大于等于18岁且小于45岁的用户。将完整SQL语句和运行结果的后5条数据以及总数据行数截图粘贴到对应答题报告中；
4、使用SQL语句查询users表中年龄小于18岁或者大于等于56岁的用户。将完整SQL语句和运行结果的后5条数据以及总数据行数截图粘贴到对应答题报告中；
5、使用SQL语句查询movies表中电影类型包含动画和儿童的电影。将完整 SQL语句和运行结果的后5条数据以及总数据行数截图粘贴到对应答题报告中； 6、使用SQL语句查询评分为1并且电影类型包含犯罪的电影。将完整SQL语
句和运行结果的后5条数据以及总数据行数截图粘贴到对应答题报告中；
7、使用SQL语句查询未被user_id为1的用户评分过的电影。将完整SQL语句和运行结果的后5条数据以及总数据行数截图粘贴到对应答题报告中；
8、使用SQL语句查询movies表中movie_id的最大值和最小值。将完整SQL语句及运行结果截图粘贴到对应答题报告中；
9、使用SQL语句查询ratings表中id为111的数据和对应的电影信息，输出完整的电影以及评分信息。将完整SQL语句及运行结果截图粘贴到对应答题报告中；
10、使用SQL语句统计ratings表中每个用户所评分电影的平均分，输出用户id及他评论电影的平均分。将完整SQL语句和运行结果的后5条数据以及总数据行数截图粘贴到对应答题报告中；
11、使用SQL语句统计ratings表中movie_id大于等于3890且小于等于3900的电影的最高评分、最低评分、和平均评分，输出格式需包含movie_id。将完整SQL语句及运行结果截图粘贴到对应答题报告中；
12、使用SQL语句查询邮编为55117的用户们对标题为Toy Story (1995)的 电影的评分，输出用户id、用户年龄、电影id、电影标题、评分、评分时间戳。将完整SQL语句及运行结果截图粘贴到对应答题报告中；
13、使用SQL语句统计用户各职业对电影的平均评分，输出职业和平均分。将完整SQL语句及运行结果截图粘贴到对应答题报告中；
14、使用SQL语句统计哪个年龄参与电影评分的次数最多，输出年龄和评分次数。将完整SQL语句及运行结果截图粘贴到对应答题报告中。

模块二：数据采集与处理

基本要求：
1、本模块为技能实操，满分30分。
2、禁止携带参考资料入场。
任务一：天气数据采集
【任务要求】
本任务是使用Python开发网络爬虫程序爬取天气数据，并对爬取的数据进行持久化存储。
请在“Desktop/大数据应用与服务竞赛/模块二/任务一 天气数据采集/TQ”项目中的“crawl_tq”模块中编写代码，该模块用于从“天气信息查询网站” 中爬取青岛、开封、苏州、扬州、烟台、丽江、桂林、三亚、厦门、大理共10个城市的历史天气数据。
【任务需求背景】
如今已经进入了大数据时代，数据就是公司最宝贵的财富，一些大型互联网公司会利用自己的历史数据进行数据分析与挖掘来发现和预测问题，能够更好的解决公司与用户之间的各种问题，比如分析用户的流失因素可以帮助我们挽留更多的用户，比如分析用户的喜好可以进行针对性的给用户推荐文章、新闻、商品、视频等等。但是对于一些创业公司来说，自己的数据较少，怎么快速的获取数据来分析和研究对应的市场行为呢？——答案是利用网络爬虫程序去互联网中爬取。
本任务就是使用网络爬虫技术对数据信息进行采集，从“天气信息查询网站”中抓取天气数据，并将采集到的数据进行持久化存储。
【具体任务】
1、使用谷歌浏览器访问“天气信息查询网站”，网站访问地址为
【http://127.0.0.1:5000】，该网站中包含青岛、开封、苏州、扬州、烟台、丽江、桂林、三亚、厦门、大理共10个城市的的历史天气数据，网站首页效果图如下：

2、点击城市标签可跳转到天气历史记录页面。以“青岛”为例，“青岛历史天气”页面展示如下图：

“青岛历史天气”页面
3、从网站中抓取10个城市的每日天气数据并分别保存到CSV文件中，CSV文件存储到“TQ”项目中的【day_data】目录下，若目录不存在，则需自行创建目录。其中数据表要求如下：
每日天气数据说明表

4、从网站中抓取10个城市的每月天气数据并分别保存到CSV文件中，CSV文件存储到“TQ”项目中的【month_data】目录下，若目录不存在，则需自行创建目录。其中数据表要求如下：
每月天气数据说明表

5、爬虫任务完成后，需要将相应的结果截图粘贴到答题报告中（截图具体要求见答题报告）
任务二：电影数据处理
【任务要求】
现有三份数据集，具体信息如下表：
数据集说明表

数据集	数据内容	字段说明
users.dat	用户数据	从左到右依次是用户ID、性别、年龄、职业、邮编
movies.dat	电影数据	从左到右依次是电影ID、电影名、电影类型
ratings.dat	评分数据	从左到右依次是用户ID、电影ID、评分、评分时间

本任务需要使用pandas库对数据进行清洗及处理，包括处理缺失数据、重复数据；数据合并、数据聚合、数据存储等。
请在“Desktop/大数据应用与服务竞赛/模块二/任务二 电影数据处理
/film”项目下的“data_processing”模块中编写代码，数据集在项目的 “data”目录中。
【任务需求背景】
随着数字化时代的到来，数据已成为企业的一项不可或缺的资源和财富。然而，我们从互联网中得到的数据集往往是一些非结构化数据，其中通常会存在脏数据。所谓数据清洗，指的是对数据进行一些处理，以确保其准确性、完整性和可用性。在数据分析过程中，数据清洗是一项非常重要的任务，因为清洗数据可以减少错误率，提高数据的质量，使企业更好地利用数据资源进行数据分析及数据挖卷。本任务需要使用Python语言根据要求对数据进行清洗及处理，并将处理后的数据集进行存储。
【具体任务】
1、用户数据清洗，具体要求如下：
(1)读取数据时列名分别设置为userID、gender、age、occupation、 zip-code；
(2)数据中“性别”的缺失值使用该列的众数进行填充；
(3)数据处理完成后保存到“film”项目下的“clean_data”目录中，命名为“clean_users.csv”，不保存行索引;
(4)保存后在PyCharm中打开“clean_users.csv”文件截取行号为 5002~5021的数据进行截图并粘贴到答题报告对应位置。
2、电影数据清洗，具体要求如下：
(1)读取数据时列名分别设置为movieID、title、genres；
(2)将数据集中的重复数据使用last模式找出来保存到“film”项目下的 “clean_data”目录中，命名为“dup_movies_data.csv”，写入成功后将该文件中的数据截图粘贴到答题报告的相应位置；
(3)使用last模式删除重复数据后将数据集保存到“film”项目下的 “clean_data”目录中，并命名为“clean_movies_data.csv”，保存成功后使用PyCharm打开数据集，截取行号为498~503行的数据粘贴到答题报告相应位置。
3、评分数据清洗，具体要求如下：
(1)读取数据时列名分别设置为userID、movieID、rating、timestamp；
(2)数据中评分列有缺失值，如果用户没有对某部电影评分，使用该用户对其它电影的平均评分（保留整数）进行填充，将填充过的那一部分数据保存到“film”项目下的“clean_data”目录中，并命名为 “filled_rating_data.csv”，保存成功后打开该文件，将数据截图粘贴到答题报告对应的位置；
(3)将用户数据、电影数据、评分数据合并为一张表，合并后将性别列使用数字进行替换，0代表female，1代表male，处理完成后将数据保存到“film”项目下的“clean_data”目录中，并命名为 “merged_data.csv”，保存后使用WPS打开，截取行号为1001~1020行数据截图粘贴到答题报告中的相应位置；
(4)给电影数据增加‘rating’一列，代表该部电影的平均评分，结果保留整数，添加以后将数据集保存到“film”项目下的“clean_data”目录中，命名为“movies_add_rating.csv”，并把数据集中前10条数据截图粘贴到答题报告对应的位置。
任务三：天气数据标注
【任务要求】
本任务是使用WPS对模块二任务一中爬取到的天气数据进行标注，并进行持久化存储。
请将“TQ”项目中【day_data】目录下青岛_day.csv复制到模块二/任务三天气数据标注/ 下，对青岛的历史天气数据进行数据标注。
【任务需求背景】
数据标注是人工智能产业的基础，是机器感知现实世界的起点。随着AI行业的蓬勃发展，对数据的需求呈井喷式增长，从某种程度上来说，没有经过标注的数据就是无用数据。数据标注的越精准、对算法模型训练的效果就越好。大部分算法在拥有足够多普通标注数据的情况下，能够将准确率提升到95%，但从95%再提升到99%甚至99.9%，就需要大量高质量的标注数据。
【具体任务】
1、将“TQ”项目中【day_data】目录下青岛_day.csv复制到【模块二/任务三天气数据标注/】，使用WPS打开青岛_day.csv。
2、筛选出2020年6月的天气，新增一列数据为“是否适合出游”，若当日最低气温大于等于20且最高气温小于等于25，则打标签为“是”，否则标记为“否”。标记完成后保存到当前目录，并将标记后的数据截图粘贴到答题报告对应位置；

模块三：大数据应用开发

1、本模块为技能实操，满分45分。
2、禁止携带参考资料入场。
任务一：基于 Tableau 进行数据分析与可视化
【任务要求】
本环节需要使用数据可视化工具Tableau，基于亚马逊股票数据进行分析、可视化展示；股价数据存储在Windows桌面“大数据应用与服务竞赛”目录下的 “T_amzn.csv”中，数据表中记录2013年至2022年的股票历史信息，包含日期、收盘价、开盘价、最高价、最低价、交易量六列指标，其中交易量的“M”表示单位：百万。
数据字段表

【任务需求背景】
Tableau是一款强大的可视化BI工具，可以非常便捷的进行数据连接、数据分析与可视化，交互式的界面帮助用户探索、分析数据。使用Tableau工具分析亚马逊股价数据。
【具体任务】
（1）绘制柱状图展示2022年股价的涨跌幅，具体要求如下：
柱状图标题设置为“2022 年股价涨跌幅柱状图”，字号 20、加粗、居中显示。
横轴显示 2022 年的所有数据日期信息，日期格式显示为【年/月/日】，不显示横轴标签；
纵轴显示涨跌幅数值，纵轴标签设置为“涨跌幅（%）”。
柱状图设置显示数据标签，数据标签水平显示在柱子顶部。
设置柱状图的颜色，涨跌幅为正时显示为红色，涨跌幅为负时显示为绿色。其中涨跌幅计算公式为：

涨跌幅 = (当日收盘价 − 当日开盘价)/当日开盘价 ∗ 𝟏
涨跌幅示意图
（2）绘制2022年各季度交易量分布饼图，具体要求如下：
饼图标题设置为【2022 年各季度交易量分布情况】，字号 18、居左显示。
在饼图外设置显示饼图的标签及对应的交易量总和。
各扇形区域设置显示不同的颜色，其他参数可自行调整。

（3）将绘制完成后的图表进行截图，粘贴到竞赛平台答题报告上对应位置。

任务二：基于 Excel 进行数据分析与可视化
【任务要求】
本环节需要使用办公软件Excel工具，对亚马逊股票信息进行分析与可视化。
【任务需求背景】
股票作为一个情绪市场指标、企业的融资工具，向上连接了公司经营情况，向下是各类衍生投资产品为我们带来收益，如基金、可转债等。亚马逊作为多元化零售行业，为客户提供一系列产品和服务。使用Excel工具对其历史股票信息进行分析与可视化，掌握使用Excel进行数据分析应用。
【具体任务】
股价数据存储在Windows桌面“大数据应用与服务竞赛”目录下的“E_amzn.csv”中，数据表中记录2013年至2022年的股票历史信息，包含日期、收盘价、开盘价、最 高价、最低价、交易量六列指标，其中交易量的“M”表示单位：百万。使用Excel打开“E_amzn.csv”文件，对数据进行分析与可视化，具体要求如下：
（1）将csv数据表读取为Excel数据表，并分析每个数据字段类型，使字段能进行统计、计算等。
（2）数据中每日的股票数据应该只有一份，数据中包含重复数据，请过滤掉重复日期的数据，并对数据根据日期升序进行排序。
（3）对数据进行统计分析，找出2013~2022年中交易总量最高的季度，并使用该季度中交易量最高的月数据绘制股价图【成交量-开盘-盘高-盘低-收盘图】，图表基本设置要求如下：
设置图表标题为【X 年 X 月 AMAZ 股价分析图】，标题居中显示（注意：日期对应交易总量最高年月）。
横坐标显示为日期轴，日期显示格式为【年/月/日】，倾斜显示完整数据。
绘制的图表为双坐标，合理设置坐标轴取值范围，使交易量显示在箱线图下方，实现图表不重叠显示。
图例保留“交易量（M）”。
默认的股票图是黑白色调的，将箱线图颜色改为红绿色调（红色表示上涨、绿色表示下跌）。

股价示意图
（4）分析2013年~2020年期间每年的最高收盘价，使用该数据绘制柱状图，具体要求如下：
标题设置为“2013 年~2020 年股票收盘价分析”，居中显示。
横坐标显示年份数据、纵坐标数据显示收盘价，并设置纵坐标标题为收盘价。
显示数据标签，其中收盘价超出 100 的值标红显示。

柱状图示意图
（5）将绘制完成后的图表进行截图，粘贴到竞赛平台答题报告上对应位置。

任务三：基于 Python 的美职篮球员数据分析
【任务要求】
现有一份关于NBA球员的数据集，字段说明如下表：
球员数据集说明表

列名	字段说明	列名	字段说明
Rk	序号	DRB	防守篮板
PLAYER	球员	TRB	总篮板
POSITION	球员位置	AST	助攻
AGE	年龄	STL	抢断
MP	出场时间	BLK	盖帽
FG	命中次数	TOV	失误
FGA	出手次数	PF	犯规
FG%	命中率	POINTS	得分
3P	三分球命中数	TEAM	球队
3PA	三分球出手数	GP	场次
3P%	三分球命中率	MPG	出场时间
2P	两分命中数	ORPM	进攻正负值
2PA	两分出手数	DRPM	防守正负值
2P%	两分命中率	RPM	正负值
eFG%	真实命中率	WINS_RPM	赢球正负值
FT	罚球命中数	PIE	球员贡献值
FTA	罚球次数	PACE	每48分钟回合数
FT%	罚球命中率	W	赢球场次
ORB	进攻篮板	SALARY_MILLIONS	薪水

本任务需要使用Numpy、Pandas、Matplotlib、Seaborn等库按要求对数据进行处理及分析，然后将结果进行可视化。
请在“Desktop/大数据应用与服务竞赛/模块三/任务三 美职篮球员数据分析/NBA”项目下的“NBA_data_analysis”模块中编写代码实现功能，数据集在项目的“data”目录中。
【任务需求背景】
NBA是美国运动员薪酬最高的几大联赛之一，在2023-2024赛季，斯蒂芬库里获得了超过5191万美元的薪资，勒布朗詹姆斯获得了超过4447万美元的薪资，由于每支球队都有工资上限，作为球队管理人员如何更有效的确定球员薪水
（避免溢价合同）是十分重要的。本任务就是对NBA球员数据集做相关分析来了解球员和球队相关指标，进而帮助球队做出有益的决策。
【具体任务】
1、请使用以下表格中的字段对数据进行相关性分析，并使用seaborn绘制出热力图，要求使热力图的每个单元格为正方形，在每个热力图单元格中写入数据值，颜色映射为“cool_r”。绘制完成后将热力图粘贴到答题报告对应位置。
RPM, AGE, SALARY_MILLIONS, ORB, DRB, TRB, AST, STL, BLK, TOV, PF, POINTS, GP, MPG, ORPM, DRPM
相关性分析字段

热力图示意图
2、按照球员的效率值进行排名，取出效率值最高的前五名球员，并输出球员的[“PLAYER”, “RPM”, “AGE”]三个特征值，将输出结果截图粘贴到答题报告对应位置。
3、按照下表要求将NBA球员年龄根据岁数划分为三个类别并放在名为 “age_cut”的字段中，然后基于年龄段对球员的薪水和效率值进行分析，并使用Matplotlib绘制出散点图，画布大小为（20,15），dpi为120，主题使用“whitegrid”；标题为“RPM and Salary”，x轴标签为“SALARY_MILLIONS”， y轴标签为“RPM”；在左上角添加图例，绘制完成后将散点图粘贴到答题报告 对应位置。
年龄分类表

年龄范围	类别
AGE <= 24	young
AGE >= 30	old
30 < AGE < 24	best

散点图示意图
任务四：基于 Python 的亚马逊股票数据分析
【任务要求】
现有一份亚马逊股票数据集，字段说明如下表：
股票数据集说明表


本任务需要使用Numpy、Pandas、Matplotlib、Seaborn等库按要求对数据进行处理及分析，然后将结果进行可视化。
请在“Desktop/大数据应用与服务竞赛/模块三/任务四 亚马逊股票数据分析/stock”项目下的“amazon”模块中编写代码实现功能，数据集在项目的 “data”目录中。
绘图过程中如有使用中文字体的地方，请统一使用“SimSun”字体。
【任务需求背景】
股票数据分析是对股票交易数据进行分析、归纳、反映和挖掘等过程的总称。它可以帮助分析人员从繁杂的股票数据中获取有价值的信息，推测市场变化趋势，并作出相应的决策。在当前股票交易市场，股票数据分析已经成为一种必备的工具，它可以帮助投资者规避风险、获取收益。除此之外，通过股票数据分析，可以发掘公司经营、市场变化等有关信息，推断股票入市和出市的最佳时机。
随着互联网的普及和金融领域的不断创新，股票交易已经变得越来越普遍，也越来越复杂。在这样一个背景下，股票数据分析的作用越来越凸显。本任务 将对亚马逊股票数据分析作出深入剖析，以期从中挖掘出一些有用的信息。
【具体任务】
1、给数据添加“day”一列用来表示当天与1997-05-15相差的天数，然后使
用2020年以前的样本进行多项式拟合，并将该部分的股价曲线以及拟合后的曲线使用Matplotlib绘制出来，画布大小为（15, 10）；x轴标签为“天”，y轴标签为“股价”，标题为“多项式拟合”；然后添加图例，图例标签分别为 “真实值曲线”和“拟合曲线”；真实值曲线使用蓝色，拟合曲线使用红色。绘制完成后将图粘贴到答题报告对应位置。

多项式拟合示意图
2、使用拟合的多项式预测2020年的股价，并将2020年的真实股票价格和预
测值通过Matplotlib绘制折线图进行可视化。画布大小为（15, 10）；x轴标签为“天”，y轴标签为“股价”，标题为“2020年股票预测”；然后添加图例，图例标签分别为“真实值曲线”和“预测值曲线”；真实值曲线使用蓝色，预测值曲线使用红色并将其线型修改为点划线（-.）。绘制完成后将图粘贴到答题报告对应位置。

股票预测示意图
任务五：职业素养
【任务要求】
参赛选手操作规范、遵守考场纪律、收纳整理干净整洁、安全意识良好、文明竞赛。