【人工智能训练师3级】考试准备（2026）二、实操题环境配置1.1.1-1.1.5
参考资料
题库下载：人工智能协会题库 见通知底部-相关下载-三级
网课：B站课程，下载了上面的题库不知道实操题怎么用的，看看这个老师的环境配置
【02 人工智能训练师｜环境配置+题库下载】 https://www.bilibili.com/video/BV1z4JezhE9t/?share_source=copy_web
环境配置
根据安装包管理软件Anaconda，可以使用下面命令管理依赖包
conda env list # 看环境 conda create -n ai python=3.10# 创建 conda activate ai # 进入 conda install pandas # 装库 conda list # 看库 conda update pandas # 更新 conda remove pandas # 卸载 conda deactivate # 退出新建虚拟环境，安装考试对应依赖包，进入素材文件夹，运行jupyter notebook
conda create -n ai_trainer python=3.10 conda activate ai_trainer conda install pandas numpy matplotlib openpyxl jupyter scikit-learn -y#mac电脑上安装3.2.1onnxruntime库 pip installonnxruntime==1.16.0 protobuf==3.20.3 -i https://pypi.tuna.tsinghua.edu.cn/simple cd D:\AItraining\05-评价指导手册（上网）\人工智能训练师_3级_sucai jupyter notebook 函数速查表
使用说明：标红为考试原题，标注出来方便集中背诵
| 章节 | 功能 | 代码 |
|---|---|---|
| 1.1.1 | read_csv()读取CSV文件 | data = pd.read_csv(“patient_data.csv”) |
| 1.1.1 | .head()打印data前5行 | data.head() |
| 1.1.1 | 计算数据表长度，作为分母计算比例 | len(data) |
| 1.1.1 | where根据条件取值 | data[‘RiskLevel’] = np.where(data[‘DaysInHospital’] > 7, ‘高风险患者’, ‘低风险患者’) |
| 1.1.1 | value_counts按指定列分类计数，返数据表 | data[‘RiskLevel’].value_counts() |
| 1.1.1 | cut分箱指令：入参为索引列，划分节点，对应标签，端点开闭 | data[‘BMIRange’] = pd.cut(data[‘BMI’], bins=bmi_bins, labels=bmi_labels, right=False) |
| 1.1.1 | groupby：根据BMIRange分组，只保留RiskLevel lambda：每一组中所有值根据判断条件真1假0、计算均值 | bmi_risk_rate = data.groupby(‘BMIRange’)[‘RiskLevel’].apply(lambda x: (x == ‘高风险患者’).mean()) |
| 1.1.2 | agg分组聚合函数，可以针对传入列表计算统计值，例如count-计数，mean-平均数 | sensor_stats = data.groupby(‘SensorType’)[‘Value’].agg([‘count’, ‘mean’]) |
| 1.1.2 | 选取SensorType满足isin条件的行组成新数据表,unstack*() 默认转换多级索引中「最后一个层级」为列 | location_stats = data[data[‘SensorType’].isin([‘Humidity’,‘Temperature’])].groupby([‘Location’,‘SensorType’])[‘Value’].mean().unstack() |
| 1.1.2 | 使用where筛选出温度探测器返回值不合理的行 | np.where(((data[‘SensorType’]==‘Temperature’) |
| 1.1.2 | sum() 可以统计出is_abnormal为True的数量，此时True作为1进行加法计算 | data[‘is_abnormal’].sum() |
| 1.1.2 | .fillna() 可以填充值为NULL的项，ffill为用前值填充，bfill为后值填充 | data[‘Value’].fillna(method=‘ffill’, inplace=True) |
| 1.1.2 | drop()删除指定列 | data.drop(columns=[‘is_abnormal’]) |
| 1.1.2 | to_csv保存为csv文件，index=False指不需要从0自增的索引列 | cleaned_data.to_csv(‘cleaned_sensor_data.csv’, index=False) |
