1.1.2 传感器数据分析

请根据题目要求，在下方空白处填入正确的代码（点击 💡 按钮查看提示）

数据集说明

文件名：sensor_data.csv

SensorID	Timestamp	SensorType	Value	Location
1	2024-01-01 00:00:00	Light	79.63	Field3
2	2024-01-01 01:00:00	Temperature	0.65	Field1
3	2024-01-01 02:00:00	SoilPH	94.85	Field1
4	2024-01-01 03:00:00	SoilPH	76.64	Field1
5	2024-01-01 04:00:00	SoilPH	11.80	Field4
6	2024-01-01 05:00:00	Humidity	67.82	Field4
7	2024-01-01 06:00:00	SoilPH	14.95	Field1
8	2024-01-01 07:00:00	SoilMoisture	80.79	Field2
9	2024-01-01 08:00:00	Light	7.02	Field1
10	2024-01-01 09:00:00	Temperature	19.30	Field4

共 10000 条数据，仅展示前 10 条

导入库并读取数据

import pandas as pd import numpy as np import matplotlib.pyplot as plt # 读取数据集 2分 data =

1. 传感器数据统计

# 对传感器类型进行分组，并计算每个组的数据数量和平均值 3分 sensor_stats = ()['Value']. # 输出结果 print("传感器数据数量和平均值:") print(sensor_stats)

2. 按位置统计温度和湿度数据

# 筛选出温度和湿度数据，然后按位置和传感器类型分组，计算每个组的平均值 2分 location_stats = data[data['SensorType']..['Value'].mean().unstack() # 输出结果 print("每个位置的温度和湿度数据平均值:") print(location_stats)

3. 数据清洗和异常值处理

# 标记异常值 3分 data['is_abnormal'] = ( (() & ((data['Value'] < -10) | (data['Value'] > 50))) | (() & ((data['Value'] < 0) | (data['Value'] > 100))), True, False ) # 输出异常值数量 2分 print("异常值数量:", data['is_abnormal'].) # 填补缺失值 # 使用前向填充和后向填充的方法填补缺失值 4分 data['Value'].(, inplace=True) data['Value'].(, inplace=True) # 保存清洗后的数据 # 删除用于标记异常值的列，并将清洗后的数据保存到新的CSV文件中 4分 cleaned_data = (=['is_abnormal']) ('cleaned_sensor_data.csv', ) print("数据清洗完成，已保存为 'cleaned_sensor_data.csv'")