數(shù)據(jù)分析技能試題

數(shù)據(jù)分析技能試題姓名_________________________地址_______________________________學號______________________-------------------------------密-------------------------封----------------------------線--------------------------1.請首先在試卷的標封處填寫您的姓名，身份證號和地址名稱。2.請仔細閱讀各種題目，在規(guī)定的位置填寫您的答案。一、選擇題1.下列哪項不屬于數(shù)據(jù)分析的基本步驟？

a)數(shù)據(jù)收集

b)數(shù)據(jù)清洗

c)數(shù)據(jù)摸索

d)數(shù)據(jù)可視化

2.數(shù)據(jù)分析中，哪一項不是常用的數(shù)據(jù)分析方法？

a)描述性統(tǒng)計分析

b)推斷性統(tǒng)計分析

c)關聯(lián)分析

d)模型預測

3.在進行數(shù)據(jù)分析時，以下哪項操作是錯誤的？

a)檢查數(shù)據(jù)是否存在缺失值

b)檢查數(shù)據(jù)是否存在異常值

c)將數(shù)值型數(shù)據(jù)轉換為分類數(shù)據(jù)

d)將分類數(shù)據(jù)轉換為數(shù)值型數(shù)據(jù)

4.下列哪種數(shù)據(jù)分析方法適用于摸索性數(shù)據(jù)分析？

a)回歸分析

b)決策樹

c)聚類分析

d)樸素貝葉斯

5.以下哪項不屬于數(shù)據(jù)清洗過程中的常見問題？

a)數(shù)據(jù)重復

b)數(shù)據(jù)缺失

c)數(shù)據(jù)異常

d)數(shù)據(jù)標準化

答案及解題思路：

1.答案：d)數(shù)據(jù)可視化

解題思路：數(shù)據(jù)分析的基本步驟包括數(shù)據(jù)收集、數(shù)據(jù)清洗、數(shù)據(jù)摸索和數(shù)據(jù)分析，數(shù)據(jù)可視化是數(shù)據(jù)分析的輸出環(huán)節(jié)，而不是基本步驟。

2.答案：d)模型預測

解題思路：描述性統(tǒng)計分析、推斷性統(tǒng)計分析和關聯(lián)分析是常用的數(shù)據(jù)分析方法，而模型預測通常屬于預測分析范疇，不是基本的數(shù)據(jù)分析方法。

3.答案：c)將數(shù)值型數(shù)據(jù)轉換為分類數(shù)據(jù)

解題思路：在進行數(shù)據(jù)分析時，數(shù)值型數(shù)據(jù)轉換為分類數(shù)據(jù)通常是不恰當?shù)模驗檫@可能會損失數(shù)據(jù)的連續(xù)性和精確度。

4.答案：c)聚類分析

解題思路：聚類分析是一種無監(jiān)督學習方法，適用于摸索性數(shù)據(jù)分析，用于發(fā)覺數(shù)據(jù)中的模式和結構。

5.答案：d)數(shù)據(jù)標準化

解題思路：數(shù)據(jù)清洗過程中的常見問題包括數(shù)據(jù)重復、數(shù)據(jù)缺失和數(shù)據(jù)異常，數(shù)據(jù)標準化不是清洗過程中的常見問題，而是數(shù)據(jù)預處理的一個步驟。二、填空題1.數(shù)據(jù)分析的基本步驟包括：數(shù)據(jù)收集、數(shù)據(jù)預處理、數(shù)據(jù)摸索、數(shù)據(jù)可視化、數(shù)據(jù)分析。

2.在進行數(shù)據(jù)分析之前，首先要進行數(shù)據(jù)清洗，保證數(shù)據(jù)的準確性和可靠性。

3.數(shù)據(jù)清洗的主要目的是處理數(shù)據(jù)噪聲、數(shù)據(jù)異常和數(shù)據(jù)缺失等問題。

4.在數(shù)據(jù)摸索過程中，常用的方法有：描述性統(tǒng)計分析、摸索性數(shù)據(jù)分析、關聯(lián)分析和時間序列分析等。

5.數(shù)據(jù)可視化是數(shù)據(jù)分析中重要的環(huán)節(jié)，其目的是通過圖形化的方式展示數(shù)據(jù)，使人們更容易理解數(shù)據(jù)。

答案及解題思路：

答案：

1.數(shù)據(jù)預處理

2.清洗

3.數(shù)據(jù)噪聲

4.摸索性數(shù)據(jù)分析

5.圖形化的方式

解題思路：

1.數(shù)據(jù)預處理是數(shù)據(jù)分析的第一步，它包括數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)規(guī)約等過程，旨在為后續(xù)的數(shù)據(jù)摸索和分析提供高質(zhì)量的數(shù)據(jù)基礎。

2.數(shù)據(jù)清洗是保證數(shù)據(jù)質(zhì)量的關鍵步驟，它涉及到去除重復數(shù)據(jù)、處理缺失值、糾正錯誤值等操作，以保證數(shù)據(jù)的準確性和可靠性。

3.數(shù)據(jù)噪聲指的是數(shù)據(jù)中的非期望成分，如異常值、錯誤輸入等，清洗噪聲數(shù)據(jù)是提高數(shù)據(jù)質(zhì)量的重要環(huán)節(jié)。

4.摸索性數(shù)據(jù)分析是一種通過可視化、描述性統(tǒng)計等方法來發(fā)覺數(shù)據(jù)中潛在模式、趨勢和關聯(lián)性的過程，它有助于理解數(shù)據(jù)背后的故事。

5.數(shù)據(jù)可視化通過圖形化的方式展示數(shù)據(jù)，利用人類視覺系統(tǒng)對圖形信息的處理能力，使得復雜的數(shù)據(jù)關系更加直觀易懂，便于發(fā)覺數(shù)據(jù)中的規(guī)律和模式。三、判斷題1.數(shù)據(jù)分析就是將數(shù)據(jù)進行處理、分析和解讀，得出有意義的結論。

答案：正確

解題思路：數(shù)據(jù)分析的核心目的就是通過對數(shù)據(jù)的處理和分析，提取有價值的信息，從而得出對業(yè)務、決策有指導意義的結論。

2.數(shù)據(jù)清洗的過程只需要刪除數(shù)據(jù)中的缺失值和異常值。

答案：錯誤

解題思路：數(shù)據(jù)清洗不僅包括刪除缺失值和異常值，還包括糾正錯誤、統(tǒng)一格式、處理重復數(shù)據(jù)等多方面的內(nèi)容，以保證數(shù)據(jù)的質(zhì)量。

3.數(shù)據(jù)可視化可以幫助我們發(fā)覺數(shù)據(jù)中的規(guī)律和趨勢。

答案：正確

解題思路：數(shù)據(jù)可視化通過圖形和圖像的方式展示數(shù)據(jù)，使得復雜的數(shù)據(jù)變得更加直觀，有助于我們發(fā)覺數(shù)據(jù)中的規(guī)律和趨勢。

4.在進行數(shù)據(jù)分析時，可以忽略數(shù)據(jù)清洗這一步驟。

答案：錯誤

解題思路：數(shù)據(jù)清洗是數(shù)據(jù)分析的重要前置步驟，不進行數(shù)據(jù)清洗可能會導致分析結果失真，影響決策的正確性。

5.關聯(lián)分析是用來發(fā)覺數(shù)據(jù)中各個變量之間的關系。

答案：正確

解題思路：關聯(lián)分析是數(shù)據(jù)分析中的一種方法，通過研究變量之間的相互關系，可以幫助我們理解數(shù)據(jù)中各個變量之間的聯(lián)系。四、簡答題1.簡述數(shù)據(jù)分析的基本步驟。

數(shù)據(jù)收集：確定數(shù)據(jù)來源，收集所需數(shù)據(jù)。

數(shù)據(jù)預處理：對數(shù)據(jù)進行清洗、轉換和集成。

數(shù)據(jù)摸索：通過可視化等方法對數(shù)據(jù)進行初步分析。

模型建立：選擇合適的統(tǒng)計或機器學習模型。

模型評估：對模型進行評估和優(yōu)化。

結果解釋：解釋模型結果，得出結論。

2.數(shù)據(jù)清洗有哪些常見問題？如何解決這些問題？

缺失值：通過填充、刪除或插值等方法處理。

異常值：識別并處理或刪除異常值。

重復數(shù)據(jù)：識別并刪除重復數(shù)據(jù)。

數(shù)據(jù)類型錯誤：糾正數(shù)據(jù)類型錯誤。

解決方法：

缺失值：使用均值、中位數(shù)或眾數(shù)填充；刪除缺失值較多的行；插值法。

異常值：使用統(tǒng)計方法（如Zscore）識別；使用可視化方法（如箱線圖）輔助識別。

重復數(shù)據(jù)：使用數(shù)據(jù)庫查詢或數(shù)據(jù)清洗工具識別并刪除。

數(shù)據(jù)類型錯誤：使用數(shù)據(jù)清洗工具或編程語言修正數(shù)據(jù)類型。

3.簡述描述性統(tǒng)計分析的作用和常用方法。

作用：描述數(shù)據(jù)的基本特征，如集中趨勢、離散程度、分布形態(tài)等。

常用方法：

集中趨勢：均值、中位數(shù)、眾數(shù)。

離散程度：標準差、方差、極差。

分布形態(tài)：正態(tài)分布、偏態(tài)分布。

4.數(shù)據(jù)可視化有哪些常見的圖表類型？如何選擇合適的圖表類型？

常見圖表類型：

折線圖：展示趨勢和變化。

柱狀圖：比較不同類別或組之間的數(shù)值。

餅圖：展示部分與整體的關系。

散點圖：展示兩個變量之間的關系。

箱線圖：展示數(shù)據(jù)的分布和異常值。

選擇方法：

根據(jù)數(shù)據(jù)類型選擇圖表（如連續(xù)變量使用散點圖，分類變量使用柱狀圖）。

根據(jù)展示目的選擇圖表（如比較趨勢使用折線圖，展示分布使用箱線圖）。

5.舉例說明如何使用聚類分析進行數(shù)據(jù)分析。

案例分析：假設有一家電商平臺，想要根據(jù)顧客購買行為進行顧客細分。

步驟：

1.數(shù)據(jù)收集：收集顧客購買記錄。

2.數(shù)據(jù)預處理：處理缺失值、異常值等。

3.特征選擇：選擇與購買行為相關的特征。

4.聚類分析：使用Kmeans算法對顧客進行聚類。

5.結果分析：分析不同聚類的特征，得出顧客細分結果。

答案及解題思路：

1.答案：

數(shù)據(jù)分析的基本步驟包括數(shù)據(jù)收集、數(shù)據(jù)預處理、數(shù)據(jù)摸索、模型建立、模型評估和結果解釋。

解題思路：首先明確數(shù)據(jù)分析的目的，然后按照步驟進行，每個步驟都要注意數(shù)據(jù)的質(zhì)量和準確性。

2.答案：

數(shù)據(jù)清洗常見問題有缺失值、異常值、重復數(shù)據(jù)和數(shù)據(jù)類型錯誤。解決方法包括填充、刪除、插值、識別并刪除異常值、刪除重復數(shù)據(jù)、糾正數(shù)據(jù)類型錯誤。

解題思路：針對每種問題，選擇合適的方法進行解決，保證數(shù)據(jù)質(zhì)量。

3.答案：

描述性統(tǒng)計分析的作用是描述數(shù)據(jù)的基本特征，常用方法包括均值、中位數(shù)、眾數(shù)、標準差、方差和極差。

解題思路：根據(jù)分析目的和數(shù)據(jù)類型選擇合適的方法。

4.答案：

數(shù)據(jù)可視化常見圖表類型包括折線圖、柱狀圖、餅圖、散點圖和箱線圖。選擇圖表類型要根據(jù)數(shù)據(jù)類型和分析目的。

解題思路：根據(jù)數(shù)據(jù)特性和分析需求選擇合適的圖表。

5.答案：

使用聚類分析進行數(shù)據(jù)分析的步驟包括數(shù)據(jù)收集、數(shù)據(jù)預處理、特征選擇、聚類分析和結果分析。

解題思路：明確分析目的，根據(jù)數(shù)據(jù)特性選擇合適的聚類算法，分析聚類結果，得出結論。五、論述題1.結合實際案例，闡述數(shù)據(jù)分析在某個領域的應用。

案例：電商行業(yè)數(shù)據(jù)分析

解題思路：

1.闡述電商行業(yè)的特點和數(shù)據(jù)分析的重要性。

2.分析電商數(shù)據(jù)分析的具體應用，如用戶行為分析、商品推薦、庫存管理等。

3.結合具體案例，展示數(shù)據(jù)分析在電商行業(yè)中的應用效果和帶來的價值。

2.討論數(shù)據(jù)分析在企業(yè)決策中的作用和價值。

解題思路：

1.闡述企業(yè)決策的重要性。

2.分析數(shù)據(jù)分析在企業(yè)決策中的作用，如預測市場趨勢、優(yōu)化資源配置、降低風險等。

3.結合實際案例，說明數(shù)據(jù)分析在企業(yè)決策中的價值。

3.分析大數(shù)據(jù)時代，數(shù)據(jù)分析面臨的主要挑戰(zhàn)和機遇。

解題思路：

1.闡述大數(shù)據(jù)時代的背景和特點。

2.分析大數(shù)據(jù)時代數(shù)據(jù)分析面臨的主要挑戰(zhàn)，如數(shù)據(jù)質(zhì)量、數(shù)據(jù)隱私、技術難題等。

3.探討大數(shù)據(jù)時代數(shù)據(jù)分析的機遇，如技術創(chuàng)新、產(chǎn)業(yè)升級、市場拓展等。

4.結合自身專業(yè)背景，談談你對數(shù)據(jù)分析的認識和理解。

解題思路：

1.簡要介紹自己的專業(yè)背景。

2.結合專業(yè)背景，闡述對數(shù)據(jù)分析的認識和理解。

3.分析數(shù)據(jù)分析在自己專業(yè)領域的應用和前景。

5.針對當前數(shù)據(jù)分析的熱門領域，探討未來發(fā)展趨勢。

解題思路：

1.列舉當前數(shù)據(jù)分析的熱門領域，如金融、醫(yī)療、教育等。

2.分析每個領域的發(fā)展現(xiàn)狀和趨勢。

3.結合行業(yè)動態(tài)和新技術，探討未來數(shù)據(jù)分析的發(fā)展趨勢。

答案及解題思路：

1.結合實際案例，闡述數(shù)據(jù)分析在某個領域的應用。

答案：電商行業(yè)數(shù)據(jù)分析

解題思路：

1.電商行業(yè)以用戶為中心，數(shù)據(jù)量龐大，對數(shù)據(jù)分析有較高需求。

2.數(shù)據(jù)分析在電商行業(yè)的應用包括用戶行為分析、商品推薦、庫存管理等。

3.以巴巴為例，通過大數(shù)據(jù)分析，實現(xiàn)了個性化推薦、精準營銷等功能，提高了用戶體驗和銷售額。

2.討論數(shù)據(jù)分析在企業(yè)決策中的作用和價值。

答案：企業(yè)決策

解題思路：

1.企業(yè)決策涉及多個方面，數(shù)據(jù)分析可以幫助企業(yè)全面了解市場、客戶、競爭對手等信息。

2.數(shù)據(jù)分析在預測市場趨勢、優(yōu)化資源配置、降低風險等方面發(fā)揮重要作用。

3.以為例，通過數(shù)據(jù)分析，成功預測市場需求，實現(xiàn)了產(chǎn)品線優(yōu)化和資源配置的合理化。

3.分析大數(shù)據(jù)時代，數(shù)據(jù)分析面臨的主要挑戰(zhàn)和機遇。

答案：大數(shù)據(jù)時代

解題思路：

1.大數(shù)據(jù)時代，數(shù)據(jù)量龐大，對數(shù)據(jù)質(zhì)量、數(shù)據(jù)隱私、技術難題等方面提出挑戰(zhàn)。

2.同時大數(shù)據(jù)時代也為數(shù)據(jù)分析帶來技術創(chuàng)新、產(chǎn)業(yè)升級、市場拓展等機遇。

3.以人工智能、云計算等新技術為例，為數(shù)據(jù)分析提供更多可能性。

4.結合自身專業(yè)背景，談談你對數(shù)據(jù)分析的認識和理解。

答案：專業(yè)背景數(shù)據(jù)分析認識

解題思路：

1.介紹自己的專業(yè)背景，如統(tǒng)計學、計算機科學等。

2.結合專業(yè)背景，闡述對數(shù)據(jù)分析的認識和理解，如數(shù)據(jù)挖掘、機器學習等。

3.分析數(shù)據(jù)分析在自己專業(yè)領域的應用和前景。

5.針對當前數(shù)據(jù)分析的熱門領域，探討未來發(fā)展趨勢。

答案：熱門領域未來發(fā)展趨勢

解題思路：

1.列舉熱門領域，如金融、醫(yī)療、教育等。

2.分析每個領域的發(fā)展現(xiàn)狀和趨勢。

3.結合行業(yè)動態(tài)和新技術，探討未來數(shù)據(jù)分析的發(fā)展趨勢。六、案例分析題1.某電商企業(yè)希望通過分析用戶數(shù)據(jù)，提高用戶留存率。請根據(jù)案例描述，提出數(shù)據(jù)分析方案。

分析方案：

1.數(shù)據(jù)收集：

收集用戶的基本信息（如性別、年齡、職業(yè)等）。

收集用戶的購買歷史（如購買時間、購買頻次、購買產(chǎn)品類別等）。

收集用戶的互動行為（如量、頁面瀏覽量、評論等）。

2.數(shù)據(jù)預處理：

清洗數(shù)據(jù)，去除異常值和不完整的數(shù)據(jù)。

數(shù)據(jù)標準化，如日期格式統(tǒng)一、數(shù)值歸一化等。

3.用戶分群：

根據(jù)購買行為、互動行為等因素將用戶進行分群。

分析不同用戶群的特征和行為差異。

4.留存率分析：

分析用戶留存與用戶特征、行為的關系。

構建留存率預測模型。

5.A/B測試：

設計不同策略的A/B測試，以優(yōu)化用戶留存策略。

6.反饋與調(diào)整：

根據(jù)測試結果調(diào)整策略，持續(xù)優(yōu)化用戶留存。

2.某公司想要了解產(chǎn)品銷量與促銷活動的關系。請根據(jù)案例描述，提出數(shù)據(jù)分析方案。

分析方案：

1.數(shù)據(jù)收集：

收集促銷活動的相關信息（如促銷時間、促銷內(nèi)容、促銷渠道等）。

收集產(chǎn)品銷量數(shù)據(jù)。

2.時間序列分析：

分析促銷活動期間與前后時期的銷量變化趨勢。

3.相關性分析：

分析促銷活動與銷量之間的相關性。

4.假設檢驗：

進行假設檢驗，如t檢驗，驗證促銷活動對銷量的影響是否顯著。

5.回歸分析：

建立回歸模型，分析促銷活動對銷量的具體影響程度。

6.結果可視化：

可視化展示促銷活動與銷量之間的關系。

3.某銀行希望分析客戶信用風險。請根據(jù)案例描述，提出數(shù)據(jù)分析方案。

分析方案：

1.數(shù)據(jù)收集：

收集客戶的基本信息。

收集客戶的財務信息。

收集客戶的信用記錄。

2.特征工程：

從原始數(shù)據(jù)中提取有價值的特征。

構建特征組合。

3.模型選擇：

選擇合適的信用風險評估模型，如決策樹、隨機森林等。

4.數(shù)據(jù)預處理：

數(shù)據(jù)清洗，處理缺失值和異常值。

5.模型訓練與評估：

使用訓練集訓練模型。

使用測試集評估模型功能。

6.結果解釋與反饋：

解釋模型結果，識別高風險客戶。

根據(jù)結果調(diào)整風險管理策略。

4.某航空公司想要優(yōu)化航班安排，提高航班準點率。請根據(jù)案例描述，提出數(shù)據(jù)分析方案。

分析方案：

1.數(shù)據(jù)收集：

收集航班運行數(shù)據(jù)，包括起飛和降落時間、飛行時間、天氣狀況等。

2.準點率分析：

分析航班準點率與各種因素（如天氣、航班密度、機型等）的關系。

3.時間序列分析：

分析航班運行時間的變化趨勢。

4.相關性分析：

分析不同航班之間的相關性，找出影響準點率的關鍵因素。

5.優(yōu)化策略：

基于數(shù)據(jù)分析結果，提出優(yōu)化航班安排的策略。

6.結果驗證：

對優(yōu)化策略進行實施，驗證其對航班準點率的影響。

5.某城市希望通過數(shù)據(jù)分析，提高公共資源配置效率。請根據(jù)案例描述，提出數(shù)據(jù)分析方案。

分析方案：

1.數(shù)據(jù)收集：

收集公共資源使用情況數(shù)據(jù)，如學校、醫(yī)院、公園的利用率。

收集人口統(tǒng)計數(shù)據(jù)。

2.需求預測：

利用歷史數(shù)據(jù)預測未來公共資源的需求。

3.空間分析：

分析不同區(qū)域對公共資源的需求差異。

4.優(yōu)化策略：

根據(jù)預測結果和空間分析結果，提出資源配置優(yōu)化策略。

5.成本效益分析：

評估優(yōu)化策略的成本效益。

6.實施與反饋：

實施優(yōu)化策略，并持續(xù)監(jiān)控效果，根據(jù)反饋進行調(diào)整。

答案及解題思路：

1.答案：

數(shù)據(jù)收集、預處理、用戶分群、留存率分析、A/B測試、反饋與調(diào)整。

解題思路：首先收集相關數(shù)據(jù)，進行數(shù)據(jù)清洗和預處理，然后通過用戶分群和留存率分析，找出影響用戶留存的關鍵因素，進行A/B測試以優(yōu)化留存策略，最后根據(jù)反饋進行調(diào)整。

2.答案：

時間序列分析、相關性分析、假設檢驗、回歸分析、結果可視化。

解題思路：通過時間序列分析找出促銷活動對銷量的影響，進行相關性分析和假設檢驗以驗證促銷活動與銷量的關系，建立回歸模型量化促銷活動的影響，最后通過可視化展示結果。

3.答案：

數(shù)據(jù)收集、特征工程、模型選擇、數(shù)據(jù)預處理、模型訓練與評估、結果解釋與反饋。

解題思路：首先收集客戶信息，提取特征，選擇信用風險評估模型，對數(shù)據(jù)進行預處理和模型訓練，然后評估模型功能，解釋模型結果，并根據(jù)結果調(diào)整風險管理策略。

4.答案：

數(shù)據(jù)收集、準點率分析、時間序列分析、相關性分析、優(yōu)化策略、結果驗證。

解題思路：收集航班運行數(shù)據(jù)，分析準點率，進行時間序列和相關性分析找出影響因素，提出優(yōu)化策略，并驗證其效果。

5.答案：

數(shù)據(jù)收集、需求預測、空間分析、優(yōu)化策略、成本效益分析、實施與反饋。

解題思路：收集公共資源使用和人口統(tǒng)計數(shù)據(jù)，預測需求，進行空間分析找出資源配置問題，提出優(yōu)化策略，評估成本效益，并持續(xù)實施和調(diào)整。七、編程題1.讀取Excel文件中的數(shù)據(jù)，并進行描述性統(tǒng)計分析

importpandasaspd

讀取Excel文件

file_path='data.xlsx'

df=pd.read_excel(file_path)

描述性統(tǒng)計分析

description=df.describe()

2.對一組時間序列數(shù)據(jù)進行異常值檢測和處理

importnumpyasnp

fromscipyimportstats

假設time_series_data是時間序列數(shù)據(jù)

time_series_data=np.array([1,2,2,3,100,5,6,7,8,9,10])

異常值檢測

z_scores=np.abs(stats.zscore(time_series_data))

threshold=3

outliers=np.where(z_scores>threshold)[0]

處理異常值，這里使用均值替換

data_without_outliers=np.where(z_scores=threshold,time_series_data,np.nan)

data_without_outliers=np.nan_to_num(data_without_outliers)

3.實現(xiàn)線性回歸模型，預測某個變量的值

fromsklearn.linear_modelimportLinearRegression

importnumpyasnp

假設X是自變量，y是因變量

X=np.array([[1],[2],[3],[4],[5]])

y=np.array([2,4,5,4,5])

創(chuàng)建線性回歸模型

model=LinearRegression()

擬合模型

model.fit(X,y)

預測新值

new_X=np.array([[6]])

predicted_value=model.predict(new_X)

4.對一組數(shù)據(jù)集進行主成分分析，降維到二維空間

fromsklearn.depositionimportPCA

importnumpyasnp

假設data是原始數(shù)據(jù)集

data=np.array([[1,2],[2,3],[3,5],[4,6],[5,7]])

創(chuàng)建PCA實例

pca=PCA(n_ponents=2)

進