企业官网建设流程全解析

从备赛到拿分：湖南省职业院校技能大赛Python程序开发赛项样题二拆解与实战

每年湖南省职业院校技能大赛的Python程序开发赛项，都是省内很多高职院校计算机相关专业学生重点关注的一场硬仗。这个赛项不是考你背了多少API，而是实打实地考察在限定时间内，能不能用Python完成一个接近真实业务场景的小型项目。尤其是样题二，很多备赛的同学第一次拿到题目时，第一反应往往是“这考得也太杂了吧”——文件处理、数据分析、算法设计、可视化、甚至面向对象编程全都揉在一起，但其实你把它拆开来看，每个模块之间的逻辑链条非常清晰。

这篇文章我结合自己指导备赛的经验，以及历年赛项样题二的高频考察方向，把整个项目的拆解思路、核心知识点、完整实操过程和避坑经验一次性讲清楚。不管你是刚开始接触赛项的大一新生，还是已经有一定Python基础但想冲奖的选手，这篇文章都能帮你少走很多弯路。

1. 赛项定位与样题二的出题逻辑

1.1 这个赛项到底在考什么

先说个很多人容易忽略的点：职业院校技能大赛的Python程序开发赛项，并不是在考“算法竞赛”，也不是在考“Python语法默写”。它的定位非常明确——考核学生利用Python解决实际问题的综合能力。这意味着题目往往不是单纯的一个算法题，而是模拟一个完整的工作任务，比如“读取一份数据文件 → 清洗和处理数据 → 按照需求计算指标 → 可视化展示 → 输出报告”。

样题二之所以被很多指导老师当作重点训练素材，是因为它的题目结构非常典型，基本覆盖了赛项大纲里的核心模块：

• Python基础语法与程序控制结构
• 数据类型与组合数据类型的使用（列表、字典、元组、集合）
• 文件读写与异常处理
• 函数定义与模块化编程
• 面向对象程序设计基础
• 数据分析与可视化（Pandas、Matplotlib等第三方库的使用）
• 算法设计与实现（排序、查找、简单的动态规划等）

所以你在备赛的时候，千万不要只刷算法题，也不要只练爬虫或者只练Web框架。样题二给我们的信号很直接：均衡发展，单项突破没用，综合能力才是拿分关键。

1.2 样题二常见出题结构还原

虽然每年的样题二具体数据不同，但它的出题框架基本上是稳定的。参考近几年湖南省赛和国赛的样题风格，我总结出一个高频套路：

• 第一部分：提供一个数据文件（CSV、JSON或TXT格式），内容通常是有实际业务含义的数据，比如学生成绩、商品销售记录、天气数据、电商订单等。
• 第二部分：要求编写程序读取数据，并进行清洗和转换（去重、缺失值处理、类型转换、字段提取等）。
• 第三部分：基于清洗后的数据完成若干统计分析任务，比如分组统计、排序取TopN、计算增长率、求最大值最小值等。
• 第四部分：要求将结果进行可视化展示（柱状图、折线图、饼图等）。
• 第五部分：可能包含一个面向对象设计题，比如要求你定义一个类来封装数据处理逻辑，或者实现一个简单的业务对象模型。

样题二相对样题一来说，难度通常会有一定提升，主要体现在数据量更大、处理逻辑更复杂、对代码规范性要求更高。很多同学在平时练习时觉得“我能跑出结果就行”，但在赛场上，结果正确只是拿分的第一步，代码的健壮性、可读性和规范性同样会被评分标准覆盖。

1.3 评分维度与备赛方向校准

我看了近几届赛项公布的评分标准，大致可以分成这么几个维度：

• 功能实现正确性（约40%-50%）：程序能否正确读入数据、正确处理、输出符合要求的结果。注意，结果不只是“有输出”，而是格式、字段名、值的精度都要符合题目要求。
• 代码质量与规范性（约20%-30%）：变量命名是否有意义、函数拆分是否合理、是否有必要的注释、是否处理了异常情况。
• 技术点覆盖度（约15%-20%）：题目要求用到的技术点是否都用了，有没有遗漏（比如题目明确要求“使用面向对象方式实现”，结果你全写成了函数）。
• 项目完整性与交互体验（约10%）：如果题目要求输出报告或者交互式命令行界面，是否做到位了。

所以备赛时不要只对着答案跑一遍就完事，要把每次练习当成正式比赛来对待，输出文件命名、字段格式、注释规范这些细节都要养成肌肉记忆。平时不注意，上了考场一紧张，这些小地方就是白丢分。

2. 环境准备与核心工具选型

2.1 赛项环境的双版本陷阱

这个赛项在环境这块有一个特别坑的地方：比赛机房提供的电脑上，通常同时安装了Python 2.x和Python 3.x两个版本。有些同学在写代码时没有注意自己用的是哪个解释器，明明在本地运行得好好的，一到比赛环境就报语法错误，一查发现是调用了Python 2的老写法，这种问题看着低级，但每年都有不少人栽在里头。

用Python 3是硬性要求，而且建议你在练习阶段就固定使用Python 3.8以上的版本。为什么要强调这一点？因为数据分析相关库（Pandas、NumPy、Matplotlib）在新版本中的接口更稳定，而且很多语法糖（比如海象运算符、f-string的增强）在老版本里是不支持的。建议备赛期间统一使用Python 3.8/3.9/3.10任一版本，不要在多个版本之间反复横跳，否则很容易出现“本地能跑、比赛报错”的悲剧。

2.2 第三方库的安装策略

样题二的核心第三方库基本固定在这几个：Pandas（数据处理）、NumPy（数值计算）、Matplotlib（可视化）。有时候还会用到JSON库（标准库）、csv（标准库）、datetime（标准库），这些不需要额外安装。

很多同学在备赛时会遇到一个尴尬局面：自己电脑上装了一大堆库，到了比赛机房发现很多没装。这里有一个非常实用的建议：提前了解比赛机房预装的环境，如果没有这个条件，就保证自己熟练掌握“pip安装”这个操作，并且一定要知道国内镜像源的使用方式。

pip install pandas numpy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

这条命令我建议你直接背下来。比赛的时候如果发现缺库，你不需要紧张，打开命令行输这一句，十几秒就能装好。但前提是你得有网络权限，这点也可以在赛前提前和主办方确认。

2.3 IDE选择：用什么写代码更稳

比赛环境一般不会给你装IDE，最常见的是IDLE、VS Code或者直接就是文本编辑器。我的建议是：备赛时尽量用VS Code，但也要习惯在IDLE里跑代码。

为什么这么说？VS Code有代码补全、语法高亮、错误提示，调试功能也强，平时练习效率高。但比赛机房不一定有VS Code，IDLE却是Python官方自带的，一定能用。如果你平时只用VS Code，比赛时被强制用IDLE，那个体验落差是非常影响心态的。所以练题的时候可以时不时切回IDLE写一写，尤其是考试最后阶段的“检查代码”环节，用IDLE再跑一遍，确保代码在最小依赖环境下也能运行。

另外一个细节：比赛时一定要先把代码文件保存好再运行。IDLE有个很坑的行为，如果你没有保存就直接Run模块，它会弹出保存对话框，有同学不知道这一点，手忙脚乱中把文件保存到了奇怪的位置，最后交卷时找不到文件。这种事真的发生过。

3. 样题二典型题目拆解：从需求到代码的完整链路

3.1 题目背景设定（还原常见的样题二场景）

我带过的备赛学生，人手必刷的一道样题二是这样的设定：“某电商平台提供了2023年1月到12月的商品销售数据，数据文件名为sales.csv，包含字段：订单编号、商品名称、商品分类、销售数量、销售单价、销售日期。请编写Python程序，完成以下任务：”

• 读取数据文件，查看数据的基本信息和前5行，并处理缺失值和重复值。
• 统计每个商品分类的销售总数量和销售总金额，并按销售总金额降序排序，输出前5个分类。
• 统计每月销售总金额，并用折线图展示月度销售趋势。
• 找出销售金额最高的前3个商品，输出商品名称和销售总金额。
• 定义一个ProductAnalyzer类，封装上述数据分析逻辑，要求至少包含load_data、clean_data、category_stats、monthly_trend、top_products这几个方法。

是不是觉得这个题目“好像每个要求都懂一点，但合在一起就不知从何下手”？这就是样题二的特点。下面我按照分步拆解的方式，把每一问的解题思路、代码实现和评分点都过一遍。

3.2 第一步：数据读取与初探（load_data与clean_data）

拿到题目，第一步肯定不是写分析代码，而是先看数据长什么样。很多同学习惯一上来就写pd.read_csv('sales.csv')，然后直接开始算统计值，这个习惯在比赛里很危险。因为你不看数据，就不知道列名是否带空格、日期格式是否统一、缺失值长什么样、有没有重复行，计算结果就很可能出错。

我建议的标准化流程是：

import pandas as pd df = pd.read_csv('sales.csv', encoding='utf-8') # 查看数据基本信息 print(df.info()) print(df.head()) print(df.describe(include='all'))

这三行代码能帮你快速了解数据规模、列类型和缺失情况。注意encoding='utf-8'这个参数，这是最容易踩坑的地方。比赛提供的数据文件可能是utf-8编码，也可能是gbk编码，如果你不加encoding参数，默认utf-8读取gbk文件会直接报错。稳妥的做法是：

try: df = pd.read_csv('sales.csv', encoding='utf-8') except UnicodeDecodeError: df = pd.read_csv('sales.csv', encoding='gbk')

这个小技巧在真实比赛中救过不少人。看起来只是两行代码，但它体现了你对异常处理的掌握，评分老师看到这种处理方式，印象分会明显不一样。

清洗数据部分，重点关注两个操作：去重和缺失值处理。去重用的是df.drop_duplicates()，这里要注意，有的同学不管三七二十一直接全列去重，但实际业务中更常见的是根据“订单编号”去重。比如题目中订单编号应该是唯一的，如果出现重复，说明数据录入有误，这时候应该只针对订单编号列去重：

df = df.drop_duplicates(subset=['订单编号'])

缺失值处理要看具体情况。如果是数值列缺失（如销售数量），可以用均值或中位数填充；如果是关键字段（订单编号），直接删除所在行。样题二通常不会出特别刁钻的缺失值处理要求，但你要能说明自己为什么选择这种处理方式。在代码注释里写清楚“销售数量缺失值用该商品的平均销量填充，因为单日销量波动较大，中位数可能更稳健”，这种注释是加分项，它体现了你的业务理解。

3.3 第二步：分类统计与排序（category_stats）

计算每个商品分类的销售总数量和销售总金额，这是Pandas分组聚合的基础操作。核心代码如下：

# 新增销售金额列 df['销售金额'] = df['销售数量'] * df['销售单价'] # 按分类分组统计 category_stats = df.groupby('商品分类').agg( 销售总数量=('销售数量', 'sum'), 销售总金额=('销售金额', 'sum') ).reset_index() # 按销售总金额降序排序 category_stats = category_stats.sort_values('销售总金额', ascending=False) # 取前5个分类 top5_categories = category_stats.head(5) print(top5_categories)

这里有一个关键点必须强调：agg函数里的列名重命名。销售总数量=('销售数量', 'sum')这种写法是Pandas 0.25以上版本才支持的，如果你用老一点的Pandas版本，这种语法会报错。备赛时务必检查比赛环境的Pandas版本，如果偏老，就要用兼容性更好的写法：

category_stats = df.groupby('商品分类')['销售数量'].sum().reset_index()

为什么我强烈推荐用agg的写法？因为它更清晰地表达了“你要对哪些列做什么聚合”，阅读性更强，而且一次调用可以同时完成多个指标的聚合，不用写两遍groupby。在代码规范性评分里，这种写法更占优势。另外一个问题：排序时用ascending=False实现降序，这个参数是排序的核心，一定不要写反。我在辅导学生时经常看到他们把False写成True，导致Top5变成了Bottom5——这种错误完全可以通过运行后人工核对数据来避免，但前提是你得先在心里对结果有个预估，比如“手机类肯定销量高”之类的业务直觉，帮你判断结果是否合理。

3.4 第三步：月度趋势统计与可视化（monthly_trend）

月度趋势统计的关键在于日期字段的处理。销售日期列如果存储的是“2023-01-15”这种标准格式，直接用pd.to_datetime转换后提取月份即可：

df['销售日期'] = pd.to_datetime(df['销售日期']) df['月份'] = df['销售日期'].dt.month monthly_trend = df.groupby('月份')['销售金额'].sum().reset_index() print(monthly_trend)

注意dt.month这个访问器，它只能用于datetime类型，如果销售日期还没转换，直接调用.dt会报错。很多同学搞不清pd.to_datetime和df['列名'].dt之间的关系，简单说：先把字符串转成datetime类型，然后才能用.dt提取年月日等信息。

可视化部分的代码相对固定：

import matplotlib.pyplot as plt # 解决中文显示问题 plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei'] plt.rcParams['axes.unicode_minus'] = False plt.figure(figsize=(10, 6)) plt.plot(monthly_trend['月份'], monthly_trend['销售金额'], marker='o', linestyle='-', color='b') plt.title('2023年各月销售总金额趋势') plt.xlabel('月份') plt.ylabel('销售金额（元）') plt.xticks(monthly_trend['月份']) plt.grid(True, linestyle='--', alpha=0.6) # 保存图片文件 plt.savefig('monthly_trend.png', dpi=150) plt.show()

这里面的坑有两个。第一，中文显示。Matplotlib默认的字体不支持中文，你必须通过plt.rcParams['font.sans-serif']指定中文字体。比赛机房的系统多半是Windows，用SimHei或Microsoft YaHei一般都能显示。如果你在运行时报错或者中文字体变成方块，不用慌，换一个字体名试试。第二，plt.show()和plt.savefig()的顺序。如果你先show再savefig，保存的图片会是空白的，因为show之后绘图对象已经被清空。正确顺序是先savefig再show。比赛时如果需要提交图表文件，这个细节就是实打实的分数。

3.5 第四步：TopN商品分析（top_products）

找出销售金额最高的前3个商品，这个要求看似简单，但有一个细节很多人忽略：是按“商品名称”汇总后的销售金额来排名，而不是每一条订单单独的金额。也就是说，同一个商品可能有多条销售记录，你需要先把它们按商品名称分组求和，再排序取前3名。

product_stats = df.groupby('商品名称')['销售金额'].sum().reset_index() top3 = product_stats.sort_values('销售金额', ascending=False).head(3) print(top3)

这里我想多提一句：做TopN分析时，nlargest()函数比sort_values()更直观、更高效。当数据量很大时，sort_values会对整个数据集排序，而nlargest只维护一个大小为N的堆，性能更好。虽然比赛的数据量级不至于让你感受到性能差异，但写出product_stats.nlargest(3, '销售金额')这种代码，评分老师一眼就能看出你对Pandas的了解深度。这点对冲高分很有帮助。

3.6 第五步：面向对象封装（ProductAnalyzer类）

最后一步是面向对象设计，这往往是样题二和样题一拉开差距的地方。题目通常会明确要求“定义一个类，封装上述数据分析逻辑”。很多学生直接写了一个函数，觉得结果对就行，结果被扣了分还不知道为什么。

规范的写法大致如下：

class ProductAnalyzer: def __init__(self, filepath): self.filepath = filepath self.df = None def load_data(self): try: self.df = pd.read_csv(self.filepath, encoding='utf-8') except UnicodeDecodeError: self.df = pd.read_csv(self.filepath, encoding='gbk') return self.df def clean_data(self): self.df = self.df.drop_duplicates(subset=['订单编号']) self.df = self.df.dropna(subset=['订单编号', '商品名称']) self.df['销售金额'] = self.df['销售数量'] * self.df['销售单价'] return self.df def category_stats(self, top_n=5): stats = self.df.groupby('商品分类').agg( 销售总数量=('销售数量', 'sum'), 销售总金额=('销售金额', 'sum') ).reset_index() stats = stats.sort_values('销售总金额', ascending=False) return stats.head(top_n) def monthly_trend(self): self.df['销售日期'] = pd.to_datetime(self.df['销售日期']) self.df['月份'] = self.df['销售日期'].dt.month trend = self.df.groupby('月份')['销售金额'].sum().reset_index() return trend def top_products(self, top_n=3): product_stats = self.df.groupby('商品名称')['销售金额'].sum().reset_index() return product_stats.nlargest(top_n, '销售金额')

这个类的设计有几个亮点，也是评分点：__init__里接收文件路径并初始化df为None，这是标准的类封装思路；clean_data里先处理重复值再进行类型转换和新增列，逻辑顺序合理；每个方法都有明确的返回值，方便后续调用；方法之间通过self.df共享数据，避免了重复读取文件。

主程序调用方式可以是：

if __name__ == '__main__': analyzer = ProductAnalyzer('sales.csv') analyzer.load_data() analyzer.clean_data() print("Top5分类统计：") print(analyzer.category_stats(5)) print("月度趋势：") trend = analyzer.monthly_trend() print(trend) print("Top3商品：") print(analyzer.top_products(3))

这段代码看似简单，但它完整展示了“实例化对象 → 调用方法 → 获取结果”的面向对象编程流程。注意if __name__ == '__main__':这个入口判断，它保证了当你作为模块被导入时不会执行测试代码，这也是代码规范性的重要体现。

4. 实操过程与全流程代码整合

4.1 一体化代码结构设计

上面我把每一问的代码单独拆开讲了，但真正比赛的时候，你不可能每次运行只跑一问，你需要一份结构完整、一跑到底的程序。这是我建议的整合方案：

import pandas as pd import matplotlib.pyplot as plt import os class ProductAnalyzer: """电商销售数据处理器""" def __init__(self, filepath): self.filepath = filepath self.df = None def load_data(self): """读取数据文件""" try: self.df = pd.read_csv(self.filepath, encoding='utf-8') except UnicodeDecodeError: self.df = pd.read_csv(self.filepath, encoding='gbk') return self.df def clean_data(self): """数据清洗：去重、处理缺失值、新增金额列""" self.df = self.df.drop_duplicates(subset=['订单编号']) self.df = self.df.dropna(subset=['订单编号', '商品名称']) self.df['销售金额'] = self.df['销售数量'] * self.df['销售单价'] return self.df def category_stats(self, top_n=5): """统计每个商品分类的销售总数量和总金额""" stats = self.df.groupby('商品分类').agg( 销售总数量=('销售数量', 'sum'), 销售总金额=('销售金额', 'sum') ).reset_index() stats = stats.sort_values('销售总金额', ascending=False) return stats.head(top_n) def monthly_trend(self): """按月统计销售总金额""" self.df['销售日期'] = pd.to_datetime(self.df['销售日期']) self.df['月份'] = self.df['销售日期'].dt.month trend = self.df.groupby('月份')['销售金额'].sum().reset_index() return trend def top_products(self, top_n=3): """统计销售金额最高的前N个商品""" product_stats = self.df.groupby('商品名称')['销售金额'].sum().reset_index() return product_stats.nlargest(top_n, '销售金额') def plot_monthly_trend(self, save_path='monthly_trend.png'): """绘制并保存月度销售趋势图""" trend = self.monthly_trend() plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei'] plt.rcParams['axes.unicode_minus'] = False plt.figure(figsize=(10, 6)) plt.plot(trend['月份'], trend['销售金额'], marker='o', linestyle='-', color='#2E86C1') plt.title('2023年各月销售总金额趋势', fontsize=14) plt.xlabel('月份', fontsize=12) plt.ylabel('销售金额（元）', fontsize=12) plt.xticks(trend['月份']) plt.grid(True, linestyle='--', alpha=0.6) plt.tight_layout() plt.savefig(save_path, dpi=150) plt.show() return save_path if __name__ == '__main__': analyzer = ProductAnalyzer('sales.csv') df = analyzer.load_data() print("数据加载成功，数据集形状：", df.shape) df_cleaned = analyzer.clean_data() print("数据清洗完成，清洗后数据集形状：", df_cleaned.shape) print("\n分类销售统计Top5：") category_top5 = analyzer.category_stats(5) print(category_top5) print("\n月度销售趋势：") monthly = analyzer.monthly_trend() print(monthly) print("\n商品销售Top3：") top3 = analyzer.top_products(3) print(top3) print("\n正在生成图表：", analyzer.plot_monthly_trend())

这份代码能直接跑通吗？前提是你已经准备好了sales.csv文件，并且在代码所在目录下运行。比赛时一旦用了相对路径（'sales.csv'），就必须保证当前工作目录是代码文件所在目录。如果你用IDLE打开代码后直接运行，工作目录通常就是代码文件所在目录，这个没问题。但如果你在VS Code里通过命令行运行，就要注意cd到正确目录，否则会报FileNotFoundError。

4.2 为什么“能跑”不等于“能拿分”

很多同学觉得“代码能跑出结果就算完事了”，这在平时练习里勉强说得通，在比赛里就是送分给别人。我拿clean_data这个方法举例，它能跑，但你有没有考虑过这几件事：

第一，如果数据文件里存在完全相同的两行（所有字段都一样），drop_duplicates(subset=['订单编号'])能去重吗？能，但只能去掉订单编号相同的第一条以后的所有记录。如果两条记录的订单编号相同、其他字段不同，说明是脏数据，应该怎么处理？不同场景有不同选择，你要能在注释里说明理由。

第二，dropna(subset=['订单编号', '商品名称'])只能删除这两个字段为空的行。但如果销售数量为空，你怎么处理？是删除还是填0？填0会导致销售总金额失真，删除则可能损失有效数据。样题二如果考察缺失值处理，通常会隐含这类要求。

第三，新增的“销售金额”列是销售数量 * 销售单价，但如果销售单价是空值，计算结果是NaN，后续的groupby(sum)会把NaN自动忽略，这可能导致统计结果偏小。你需要在创建该列之前检查单价字段是否有缺失。

这些问题不是说你想不到，而是在紧张的赛场环境下容易被忽略。我的建议是：平时练习时就不要只盯着“出结果”，每做完一个步骤，都要追问自己一句“这一步可能出现什么异常？如果出现异常，我的代码能处理吗？”带着这种思维训练三个月，赛场上的代码质量会有质的提升。

4.3 代码规范性自查清单

比赛交卷前，建议按这个清单快速自查一遍：

• 变量命名是否语义化（比如用category_stats而不是a或cs）
• 是否有必要的注释（关键步骤写注释，不用每行都写）
• 是否定义了main入口或使用了if __name__ == '__main__'
• 异常处理是否覆盖（文件读取编码问题、除零错误、文件不存在等）
• 是否考虑了中文字符显示问题（尤其是Matplotlib画图时）
• 输出结果的格式是否和题目要求一致（字段名、小数位数、排序方式）
• 是否在代码开头导入了所有需要的库，位置是否集中

这七条每一条都很简单，但能做到的人并不多。比赛比的不是谁智商高，而是谁犯的错少。这句话是我每次带赛前集训都会反复强调的。

5. 常见问题与赛场排坑实录

5.1 文件读取失败：编码问题与路径问题

这是出现频率最高的一类问题。报错信息通常是UnicodeDecodeError或者FileNotFoundError。

解决思路分两步。先看文件路径对不对：建议使用相对路径，且不要在路径中包含中文目录（虽然Windows支持中文路径，但Python在某些编码配置下会出幺蛾子）。再看编码问题，我的建议是代码里直接写try-except，用utf-8尝试读取，失败就换gbk，这个方法前面已经演示过了。

有同学还会遇到一个隐蔽的问题：文件扩展名是.csv，但内容实际上是用制表符（Tab）分隔的。这时候pd.read_csv默认用逗号分隔，读出来的数据只有一列。处理方法是通过sep='\t'参数指定分隔符。怎么判断？用文本编辑器打开文件，看看字段之间是用什么符号分隔的，一眼就能看出来。

5.2 Matplotlib中文字体乱码

具体表现是图表中的中文全部变成小方块（□□□）。解决办法是在绘图代码中加入：

plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'KaiTi'] plt.rcParams['axes.unicode_minus'] = False

第一行指定中文字体，第二行解决负号显示问题。如果你在比赛机房运行后发现SimHei不可用，不要着急，系统里肯定装了某种中文字体，把系统中文字体名称填进去即可。可以用以下代码查看当前系统支持的中文字体：

import matplotlib.font_manager as fm fonts = [f.name for f in fm.fontManager.ttflist if 'Hei' in f.name or 'Yai' in f.name or 'Kai' in f.name] print(fonts)

5.3 groupby之后结果“变少了”

这是一个非常有迷惑性的报错，其实不是报错，而是逻辑问题。比如你按“商品分类”分组后，发现结果里少了一个分类，第一反应是数据被丢了吗？其实多半是因为这个分类下面只有缺失值，sum()函数默认跳过NaN。或者该分类在clean_data阶段因为关键字段缺失被删除了。

遇到这类问题，排查思路很简单：clean_data之后，用df['商品分类'].value_counts()检查一下每个分类的记录数，跟原始数据对比，就知道是哪个环节少了数据。数据清洗前后的对比是必须做的一个动作，不要嫌麻烦。

5.4 比赛时突然忘记某个函数怎么用

这种事情非常常见。我备赛时反复跟学生强调：把你常用的数据处理函数整理成自己的“小抄”，比赛前快速过一遍。这里我列一个高频函数速查表，你完全可以自己扩充：

• 读取：pd.read_csv、pd.read_json、pd.read_excel、open()
• 查看：head()、info()、describe()、shape、columns、dtypes
• 清洗：drop_duplicates()、dropna()、fillna()、replace()、astype()
• 筛选：df[df['列'] > 100]、df.query('列 > 100')、isin()、between()
• 分组：groupby()、agg()、pivot_table()、crosstab()
• 排序：sort_values()、nlargest()、nsmallest()
• 合并：merge()、concat()、join()
• 时间：pd.to_datetime()、.dt.year、.dt.month、.dt.day、.dt.dayofweek
• 可视化：plt.plot()、plt.bar()、plt.pie()、plt.scatter()、plt.figure()、plt.savefig()

这份速查表不需要死记硬背，但你要做到“看到函数名就知道它大概能干什么、有什么常用参数”，比赛时查文档的机会很少，平时的肌肉记忆才是真正的靠山。

5.5 考场时间分配建议

根据我观察到的赛场情况，样题二的合理时间分配大概是这样的（总时长240分钟）：

• 前10分钟：通读题目，标注每问的数据要求和技术点
• 30-45分钟：实现数据读取和数据清洗，这部分是地基，务必稳
• 60-70分钟：完成统计分析各小题，每完成一问就打印出来检查一次
• 30-40分钟：完成可视化，生成图表并保存
• 30分钟：完成面向对象封装，重构代码
• 最后30分钟：整体调试、检查输出格式、整理代码注释、确认所有文件均已保存

当然，这不是死规定，但整体逻辑是：不要把时间卡在某一问上，如果一道题卡了15分钟还没有思路，果断跳过，最后有时间再回头处理。程序开发赛项和算法竞赛不一样，它更看重整体完成度，一道题卡死导致后面全部没做，是最亏的输法。

6. 赛后复盘与能力进阶建议

6.1 样题二练完，下一步练什么

样题二是一个非常好的阶段检测标尺，它能帮你发现自己知识体系里的短板。如果你能比较顺利地完成样题二，说明你的Python基础和Pandas数据分析能力已经合格，下一步可以往这几个方向进阶：

• 面向对象设计模式的进一步学习：比如在ProductAnalyzer基础上，考虑如何通过继承、多态来扩展功能。
• 数据可视化的精细化：学习用Seaborn库绘制更美观的统计图，掌握图表的配色、标注和数据标签优化。
• 爬虫与数据获取能力：很多省赛的进阶题会要求从指定URL抓取数据并存储到本地文件。
• 简单Web应用的开发：Flask或FastAPI搭建一个数据展示页面，这在高分赛项中越来越常见。

6.2 从“会做题”到“会做项目”的思维转变

很多备赛学生在训练一段时间后，会出现一个瓶颈期：题目都能做出来，但总觉得自己的代码“很散”“没有灵魂”。这个瓶颈的本质是从“解题思维”向“工程思维”转变的临界点。

怎么突破？我的建议是尝试做一个小型综合项目，比如：写一个“二手书交易平台数据分析系统”，功能包括读取交易记录、统计热门书籍分类、分析价格分布、按周维度展示成交量、生成HTML报告。当你完成这种综合性项目后，再回头看样题二，你会发现自己对数据流的组织能力、代码模块的划分能力都有了明显提升。

除了代码层面的能力，我还建议你练习“代码走查”的能力。就是不看运行结果，直接阅读自己的代码，逐行模拟执行。这是很多高分选手的隐藏技能，它能让你在不运行程序的情况下发现逻辑错误，这在比赛最后的检查阶段非常有用。

6.3 最后一次彩排：赛前一周的冲刺建议

赛前一周不要再做新题了，做三件事就够了：

第一，把样题一和样题二重新完整地写一遍，计时模拟。要求自己在一个上午内，安静地、完整地写完一套题，包括数据读取、清洗、统计、可视化、类的封装，全流程跑通。

第二，把常用代码段整理成一个“个人代码库”，存成一个.py文件，比赛前在脑子里过一遍，哪个函数怎么写、哪个参数需要注意，做到心里有数。

第三，检查比赛当天要带的东西：身份证、准考证、笔（草稿纸一般会发）。代码相关的资料一般是不能带的，但你可以把常用函数速查表在脑子里过一遍，这比带任何纸质材料都管用。

写在最后的一点个人体会

我带过很多届备赛学生，见过天赋极高但心态崩盘的类型，也见过基础一般但稳扎稳打最终拿到省一的类型。样题二这种题目，本质上不是在筛选“谁最聪明”，而是在筛选“谁在压力下最能保持稳定输出的人”。

如果你正在准备这个赛项，我想给你一个很朴素的建议：把每一次练习都当成正式比赛，把每一道样题二都当成最后一场考试来做。平时多问自己一个“为什么”，赛场上就能少一个“怎么办”。数据清洗时多想一步、画图时多检查一遍中文显示、提交前多看一眼文件名——这些微不足道的细节，往往就是把省二变成省一的那一点距离。

希望你在赛场上，拿到题目时心里是踏实的，敲代码时手指是稳的，交卷时是有底气的。