楚怡杯


go work，我的朋友

完整模拟题1-题目

  • ~4.54K 字
  1. 1. 2025年度“楚怡杯”湖南省职业院校技能竞赛高职高专组电子信息类Python程序开发赛项【时量：240分钟】
  2. 2. 一、注意事项
  3. 3. 二、竞赛环境
  4. 4. 三、软件组件
  5. 5. 四、赛题
    1. 5.1. 模块一：网络爬虫（20分）
    2. 5.2. 任务一：获取星点视频网站数据
    3. 5.3. 模块二：数据清洗（30分）
    4. 5.4. 任务一：视频数据清洗
    5. 5.5. 模块三：数据分析及可视化（30分）
    6. 5.6. 任务一：视频分类综合热度分析
    7. 5.7. 任务二：视频互动特征分析
    8. 5.8. 模块四：机器学习（15分）
    9. 5.9. 任务一：视频播放量预测
    10. 5.10. 任务二：视频分类智能识别
    11. 5.11. 职业素养（5分）

2025年度“楚怡杯”湖南省职业院校技能竞赛高职高专组电子信息类Python程序开发赛项
【时量：240分钟】

一、注意事项

  1. 请根据大赛所提供的竞赛环境，检查所列的硬件设备、软件清单、材料清单是否齐全，计算机设备是否能正常启动。
  2. 竞赛结束前，在竞赛平台提供的虚拟机中，根据赛题将各项目代码进行完善整合，并运行；根据竞赛平台左侧的答题区进行答题，根据题目要求对运行代码及结果进行截图。
  3. 竞赛结束时，请将答题区的答题报告进行保存提交操作，答题报告在竞赛结束前可重复提交。

二、竞赛环境

  1. PC机：系统已安装Python 3.7.x相关环境。
  2. 根据任务书说明，从竞赛平台虚拟机桌面获取程序开发项目工程项目包。桌面的工程项目包可以直接使用虚拟机中的PyCharm导入、编译、运行和发布。
  3. 竞赛平台虚拟机内为断网环境，但已内置部署于本地的目标网站“星点视频”（https://py-p1.sb-cc.cc.cd），所有爬虫任务均针对该本地站点。

三、软件组件

  1. Python 编程语言及相关开发环境（Python、PyCharm）
  2. Web 框架（Django）
  3. Python 爬虫组件（Requests、lxml、BeautifulSoup、Scrapy、Selenium）
  4. Python 数据分析组件（NumPy、Pandas）
  5. Python 可视化组件（Matplotlib、Pyecharts、seaborn）
  6. Python 机器学习组件（Scikit-learn）

四、赛题

模块一：网络爬虫（20分）

任务一：获取星点视频网站数据

【任务说明】
数据是企业的重要资产。某视频分析团队需要获取“星点视频”平台的公开数据，用于后续分析。现有一个视频网站，网站上有大量用户对各类视频的播放、评论、点赞等数据，请根据具体要求，编写爬虫实现数据抓取。
【任务要求】

  1. 使用requests库向网站首页发送请求。
  2. 使用BeautifulSoup或Xpath从响应内容中解析数据。
  3. 从首页中获取视频分类名和各类别链接。
  4. 向各类别链接发送请求，从响应内容中获取视频具体的播放、评论、点赞等数据。
  5. 将抓取的数据存入CSV文件中。
  6. 绕过网站的反爬虫检测。

【操作说明】

  1. 从虚拟机桌面“赛题/01_网络爬虫/01_获取网站数据”文件夹中获取相关项目工程代码。
  2. 完成任务后，根据平台“答题区”对应内容要求，完成答题报告并点击“保存”按钮实时保存。

模块二：数据清洗（30分）

任务一：视频数据清洗

【任务说明】
数据清洗是数据分析过程中很重要的一个环节，没有高质量的数据清洗就没有高质量的数据分析。上一模块抓取的数据可能存在不规范、缺失或异常值，现有一份从爬虫结果导出的原始数据文件 raw_videos.csv，请根据任务要求完成数据清洗功能。
【任务要求】
请你使用NumPy和Pandas按如下要求对数据进行清洗：

  1. 使用Pandas读取CSV文件。
  2. 检查数据基本信息：形状、每列缺失值数量、数据类型等。
  3. 将 duration 列由“MM:SS”字符串格式转换为总秒数（整数类型），新增一列 duration_seconds。
  4. 删除任一字段缺失的行。
  5. 将 plays、comments、likes、favorites 四列转换为整数类型，无法转换的删除。
  6. 删除上述四列中任一项为负数或0的行。
  7. 处理 tags 列：去重重复标签。
  8. 删除完全重复的数据行。
  9. 删除 plays 值大于其99.9分位数的极端离群值。
  10. 按 plays 降序排列，重置索引。
  11. 将清洗后的数据保存为 cleaned_videos.csv。

【操作说明】

  1. 从虚拟机桌面“赛题/02_数据清洗/01_数据清洗”文件夹中获取相关项目工程代码。
  2. 完成任务后，根据平台“答题区”对应内容要求，完成答题报告并点击“保存”按钮实时保存。

模块三：数据分析及可视化（30分）

任务一：视频分类综合热度分析

【任务说明】
现需要搭建一个简洁的数据看板，展示各视频分类的综合热度表现。综合热度定义为：热度值 = plays * 0.5 + likes * 0.3 + comments * 0.15 + favorites * 0.05。请根据任务要求完成数据分析与可视化。
【任务要求】

  1. 创建Django项目 video_dashboard，应用名为 analysis。
  2. 读取 cleaned_videos.csv 文件中的数据。
  3. 编写视图函数，计算每个视频分类的平均热度值、平均播放量、平均评论数，以及各分类视频数量。
  4. 使用PyEcharts绘制“堆叠柱状图”：
    • X轴为视频分类，Y轴为标准化后的数值（0-100量纲）。
    • 堆叠展示两个指标：该分类的平均播放量、平均热度值。
    • 柱状图颜色：平均播放量使用蓝色系渐变色（起始色 #3398DB，结束色 #7EB5E6）；平均热度值使用橙色系（#F5A623）。
    • 柱状图宽度设为 60%，柱间间距 30%。
    • 添加数据标签（数值显示在柱内或柱顶）。
    • 图表标题为“视频分类热度与播放量堆叠对比”，标题字号16，加粗。
  5. 在同一页面中绘制一个“饼图”（玫瑰图样式），展示各分类视频数量占比：
    • 半径范围 ['20%', '60%']。
    • 颜色使用预设配色方案（'pastel' 或 'bright'）。
    • 每个扇区显示分类名称和百分比（保留一位小数）。
    • 饼图中心添加标题“分类视频数量分布”。
  6. 通过Django模板将两个图表渲染到同一个前端页面，页面布局为左右两列（左侧堆叠柱状图，右侧玫瑰饼图）。
  7. 页面路由设置为 /dashboard/。

【操作说明】

  1. 从虚拟机桌面“赛题/03_数据分析及可视化/01_视频分类热度分析”文件夹中获取相关项目工程代码。
  2. 完成任务后，根据平台“答题区”对应内容要求，完成答题报告并点击“保存”按钮实时保存。

任务二：视频互动特征分析

【任务说明】
现需要对清洗后的数据进行统计可视化，探索播放量与其他互动指标的关系，以及不同视频分类的互动分布情况，请根据任务要求完成数据分析。
【任务要求】

  1. 使用Pandas读取 cleaned_videos.csv。
  2. 使用Seaborn绘制以下图表，并保存为PNG文件，分辨率300dpi：
    • 相关性热力图：
      • 计算 plays、likes、comments、favorites、duration_seconds 的相关性矩阵。
      • 使用红蓝渐变配色（cmap='coolwarm'），中心为白色。
      • 每个单元格内显示相关系数数值，字体大小10，颜色黑色。
      • 标题为“互动指标相关性矩阵”，字体大小14。
    • 播放量与点赞数散点图：
      • 横轴 plays，纵轴 likes。
      • 按 category 分类着色，使用调色板（palette='Set2'）。
      • 添加线性回归拟合线（regplot，置信区间为95%）。
      • 回归线样式：红色实线，线宽2；置信区间填充浅红色，透明度0.3。
      • 散点大小 s=30，边缘色灰色。
      • 标题为“播放量与点赞数关系”，横轴标签“播放量”，纵轴标签“点赞数”。
    • 各分类播放量箱线图：
      • 横轴为 category，纵轴为对数变换后的播放量 np.log1p(plays)。
      • 箱线图样式：箱体颜色为 lightblue，中位数线为红色实线，异常值显示为菱形（marker='D'，大小5）。
      • 添加网格线（grid=True，线型虚线）。
      • 标题为“各分类播放量分布（对数化）”，横轴标签“视频分类”，纵轴标签“对数播放量”。
  3. 所有图表须设置中文字体（如SimHei），标题、轴标签、图例正常显示。
  4. 编写简要分析报告（保存为 analysis_report.md），包含以下内容：
    • 从热力图中判断与播放量相关性最强的两个特征，并说明系数。
    • 从散点图中描述播放量与点赞数的大致关系（正相关/负相关/非线性）。
    • 指出箱线图中哪个分类的中位数最高、哪个分类的波动范围最大（四分位距最宽）。

【操作说明】

  1. 从虚拟机桌面“赛题/03_数据分析及可视化/02_视频互动特征分析”文件夹中获取相关项目工程代码。
  2. 完成任务后，根据平台“答题区”对应内容要求，完成答题报告并点击“保存”按钮实时保存。

模块四：机器学习（15分）

任务一：视频播放量预测

【任务说明】
现有一批视频特征数据，基于该数据，选择合适的算法训练模型，并对视频的播放量进行预测。
【任务要求】

  1. 读取 cleaned_videos.csv。
  2. 提取特征：likes、comments、favorites、duration_seconds，对 category 进行独热编码。
  3. 数据预处理：处理缺失值，标准化数值特征。
  4. 划分训练集和测试集。
  5. 选取至少两种回归算法（如线性回归、随机森林回归），使用交叉验证评估，选出较优模型。
  6. 保存最优模型。
  7. 对测试文件内部数据进行编码预测

【操作说明】

  1. 从虚拟机桌面“赛题/04_机器学习/01_视频播放量预测”文件夹中获取项目工程文档。
  2. 完成任务后，根据平台“答题区”对应内容要求，完成答题报告并点击“保存”按钮实时保存。

任务二：视频分类智能识别

【任务说明】
现有一批视频特征数据，包含播放量、评论数、点赞数、收藏数、时长等，以及对应的分类标签，现要基于该数据集构建机器学习模型，用于视频分类的自动识别。
【任务要求】

  1. 读取 cleaned_videos.csv，目标列为 category。
  2. 对分类标签进行编码。
  3. 构造新特征（点赞率、评论率、收藏率），并标准化。
  4. 划分训练集和测试集。
  5. 选取至少两种分类算法（如逻辑回归、随机森林），评估并选择较优模型。
  6. 保存最优模型和标签编码器。
  7. 输出每个分类的精确率、召回率、F1值。
  8. 对测试文件内部数据进行编码预测

【操作说明】

  1. 从虚拟机桌面“赛题/04_机器学习/02_视频分类识别”文件夹中获取项目工程文档。
  2. 完成任务后，根据平台“答题区”对应内容要求，完成答题报告并点击“保存”按钮实时保存。

职业素养（5分）

【任务要求】
参赛选手操作规范、代码清晰易读、遵守考场纪律、收纳整理干净整洁、文明竞赛。

分享