17．小申采集了某城市2022年七月的氣象數(shù)據(jù)。數(shù)據(jù)中包含了每天的日平均氣溫（℃），日平均相對(duì)濕度（%）、日降水量（mm）、平均風(fēng)速（km/h）、日照時(shí)數(shù)（h）。
（1）、小申在網(wǎng)上找到了某個(gè)氣象信息接口，利用所學(xué)的爬蟲(chóng)知識(shí)將數(shù)據(jù)抓下來(lái)，保存為csv類型文件（文件名為“氣象數(shù)據(jù).csv“），供后期深入分析，請(qǐng)補(bǔ)全以下代碼。
import requests
import pandas as pd
url=“https：//weather.cma.jye.ai/***v1/query/pubished/daily/list？province=**“
re=
（url）#用GET方式獲取網(wǎng)頁(yè)數(shù)據(jù)
dic_txt=eval（re.jye.ai）['data']
df=pd.DataFrame（dic_txt）
#保存為csv類型文件
（2）、小申采集的部分氣象數(shù)據(jù)如圖所示，他使用Python第三方庫(kù)pandas提供的方法進(jìn)行數(shù)據(jù)整理。經(jīng)檢查確認(rèn)，對(duì)于同一天出現(xiàn)多條記錄的情況，視為重復(fù)記錄，只需保留其中的第一條。若讀取的數(shù)據(jù)存放在變量df中，以下去重方法正確的是
。
| 日期 |
日平均氣溫 |
日平均相對(duì)濕度 |
日降水量 |
日平均風(fēng)速 |
日照時(shí)數(shù) |
| 1日 |
29.3 |
8 |
0 |
1.9 |
6.6 |
| 2日 |
29.8 |
8.7 |
5.4 |
0.9 |
7.9 |
| 3日 |
31.5 |
8.5 |
0 |
2 |
0 |
| …… |
|
|
|
|
|
| 30日 |
30 |
8.7 |
5 |
1.6 |
8 |
| 3日 |
30.8 |
8.6 |
0 |
2 |
0 |
| 31日 |
28.7 |
8.1 |
0 |
1.3 |
6.4 |
A．df.drop_duplicates（subset=[‘日期’]，inplace=True）
B．df.drop_duplicates（keep=‘first’，inplace=True）
C．df.drop_duplicates（keep=‘last’，inplace=True）
D．df.drop_duplicates（subset=[‘日期’]，keep=‘last’，inplace=False）
（3）、刪除有缺失值的記錄，若讀取的數(shù)據(jù)存放在變量df中，將處理后的數(shù)據(jù)轉(zhuǎn)存在mydf中，以下方法正確的是
。
| 日期 |
日平均氣溫 |
日平均相對(duì)濕度 |
日降水量 |
日平均風(fēng)速 |
日照時(shí)數(shù) |
| 1日 |
29.3 |
8 |
0 |
1.9 |
6.6 |
| 2日 |
29.8 |
8.7 |
5.4 |
0.9 |
7.9 |
|
5.3 |
6.2 |
0 |
2 |
0 |
| …… |
|
|
|
|
|
A．mydf=dropna（axis=1）
B．mydf=df.jye.ai（axis=0）
C．mydf.jye.ai（inplace=True）
D．mydf=df.jye.ai （ ?。?br />（4）、小申把整理后的數(shù)據(jù)存儲(chǔ)于“七月氣象數(shù)據(jù).csv”文件中。如圖所示，他編寫(xiě)程序?qū)@些數(shù)據(jù)進(jìn)行分析，在“日平均氣溫”大于30的記錄中，找出“日平均相對(duì)濕度”的最大值。請(qǐng)將程序填寫(xiě)完整。
import pandas as pd
import numpy as np
df=pd.read_csv（七 月氣象數(shù)據(jù).csv'，encoding='ansil'）
d=df['日平均氣溫']
mydf=df[ ＞30]
temp=np.
print（temp） |
（5）、小申在撰寫(xiě)數(shù)據(jù)分析報(bào)告時(shí)，根據(jù)“2022年7月日平均氣溫”可視化圖形，總結(jié)七月份日平均氣溫特點(diǎn)，如圖所示，請(qǐng)?jiān)跈M線處進(jìn)一步補(bǔ)充七月份日平均氣溫特點(diǎn)。
2022年七月份日平均氣溫在32℃及以上的有3天。
①
。
②
。
（6）、根據(jù)國(guó)家氣象信息中心統(tǒng)計(jì)，氣象大數(shù)據(jù)持續(xù)爆炸式增長(zhǎng)，日增量40TB，氣象部門已積累海量數(shù)據(jù)資源。到2022年總體規(guī)模達(dá)到200PB（1PB=1024TB），這體現(xiàn)出的大數(shù)據(jù)特征是
。
A．處理速度快
B．?dāng)?shù)據(jù)類型多
C．價(jià)值密度低
D．?dāng)?shù)據(jù)規(guī)模大
（7）、為了及時(shí)做好防暑降溫工作，各城市氣象部門及時(shí)預(yù)報(bào)天氣氣溫，發(fā)布高溫預(yù)警信息。小申采集了部分城市氣象部門發(fā)布的某日14時(shí)氣溫預(yù)報(bào)數(shù)據(jù)，并設(shè)計(jì)了一個(gè)算法，統(tǒng)計(jì)發(fā)布橙色預(yù)警的城市數(shù)量。請(qǐng)參考下表，選擇合適的框圖分別填入
、
、
，將算法設(shè)計(jì)完整。
| 預(yù)警 |
氣溫范圍 |
| 黃色預(yù)警 |
35℃≤氣溫＜37℃ |
| 橙色預(yù)警 |
37℃≤氣溫＜40℃ |
| 紅色預(yù)警 |
氣溫≥40℃ |
A．
B．
C．
（8）、小申編寫(xiě)程序統(tǒng)計(jì)七月份日降水量不為0的天數(shù)，七月份每天的日降水量數(shù)據(jù)依次存放在列表slist中，請(qǐng)根據(jù)已有的語(yǔ)句完善程序代碼。
slist=[0，5，4，0，0，1.3，0，0，0.9，0，0，53.8，0，0，0，58.6，10，0，0.3，0，0，0，0，0，0，0，12.2，0，0，2.9，0]
#在以下區(qū)域繼續(xù)完善代碼
。
#以下輸出語(yǔ)句，無(wú)需修改
print（c）
