数据分析师历年考试真题试题库（含答案）

数据分析师历年考试练习题试题库（含答案）一、单项选择题（每题2分，共20分）1.以下哪种统计量用于衡量数据的离散程度？A.均值B.中位数C.标准差D.众数答案：C2.在假设检验中，若原假设为H₀:μ=μ₀，备择假设为H₁:μ≠μ₀，当计算得到的p值为0.03时，在显著性水平α=0.05下应：A.拒绝H₀B.不拒绝H₀C.无法判断D.接受H₁答案：A3.SQL中，用于返回表中唯一值的关键字是：A.DISTINCTB.UNIQUEC.GROUPBYD.HAVING答案：A4.某数据集服从正态分布N(μ,σ²)，则数据落在(μ3σ,μ+3σ)区间内的概率约为：A.68.27%B.95.45%C.99.73%D.99.99%答案：C5.以下哪种Python库主要用于数据可视化？A.NumPyB.PandasC.MatplotlibD.Scikitlearn答案：C6.在A/B测试中，若实验组的转化率为12%，对照组为10%，且p值为0.01，说明：A.结果不显著，可能由随机误差导致B.结果显著，实验组转化率更高C.样本量不足，需扩大测试D.实验设计存在混淆变量答案：B7.计算两个变量X和Y的Pearson相关系数时，若r=0.8，说明：A.X和Y完全正相关B.X和Y高度正相关C.X和Y无线性相关D.X和Y负相关答案：B8.SQL中，若要查询“2023年1月1日”之后注册的用户，日期字段为reg_date，正确的WHERE子句是：A.WHEREreg_date>'20230101'B.WHEREreg_date>='20230101'C.WHEREreg_date>'2023/01/01'D.以上都对答案：D（注：不同数据库对日期格式的支持可能略有差异，但A、B、C均为合理写法）9.数据清洗中，处理缺失值的方法不包括：A.删除含缺失值的行B.用均值填充数值型变量C.用众数填充分类型变量D.直接忽略缺失值进行建模答案：D10.某电商平台用户购买数据中，“客单价”的定义通常是：A.总销售额/购买用户数B.总销售额/订单数C.总订单数/购买用户数D.总购买用户数/活跃用户数答案：B二、多项选择题（每题3分，共15分，多选、少选、错选均不得分）1.以下属于分类变量的有：A.性别（男/女）B.年龄（岁）C.职业（教师/医生/公务员）D.收入（元）答案：AC2.SQL中，JOIN操作包括：A.INNERJOINB.LEFTJOINC.RIGHTJOIND.FULLOUTERJOIN答案：ABCD3.以下哪些方法可用于特征工程？A.特征缩放（标准化/归一化）B.特征分箱（离散化）C.特征交叉（构造新特征）D.特征选择（如卡方检验筛选）答案：ABCD4.关于混淆矩阵，以下说法正确的有：A.真阳性（TP）是实际为正类且预测为正类的样本数B.假阴性（FN）是实际为负类但预测为正类的样本数C.准确率=（TP+TN）/(TP+TN+FP+FN)D.召回率=TP/(TP+FN)答案：ACD5.数据可视化的基本原则包括：A.准确传达信息B.避免误导性图表（如截断纵轴）C.颜色使用清晰易懂D.尽可能复杂以展示细节答案：ABC三、简答题（每题8分，共40分）1.简述假设检验的基本步骤。答案：（1）设定原假设（H₀）和备择假设（H₁）；（2）选择显著性水平α（如0.05）；（3）确定检验统计量（如Z统计量、t统计量）；（4）计算检验统计量的观测值及对应的p值；（5）比较p值与α，若p<α则拒绝H₀，否则不拒绝H₀。2.解释“过拟合”的概念及解决方法。答案：过拟合指模型在训练数据上表现很好，但在新数据（测试集）上表现差的现象，原因是模型过度学习了训练数据中的噪声和细节。解决方法：（1）增加数据量；（2）正则化（如L1/L2正则化）；（3）特征选择（减少冗余特征）；（4）早停法（在验证集误差不再下降时停止训练）；（5）交叉验证。3.写出SQL查询：从用户表（users）中查询每个城市（city）的用户数，按用户数降序排列。答案：SELECTcity,COUNT()ASuser_countFROMusersGROUPBYcityORDERBYuser_countDESC;4.简述如何用Pandas处理数据中的重复值。答案：（1）使用`duplicated()`方法检测重复行，返回布尔Series，True表示重复；（2）通过`df[df.duplicated()]`查看具体重复数据；（3）使用`drop_duplicates()`方法删除重复行，可指定`subset`参数选择特定列判断重复，`keep`参数指定保留首行或末行（默认保留首行）。5.解释A/B测试中“统计功效”（Power）的含义及影响因素。答案：统计功效指原假设为假时，正确拒绝原假设的概率（即1β，β为第二类错误概率）。影响因素：（1）样本量：样本量越大，功效越高；（2）显著性水平α：α越大，功效越高（但α过大会增加第一类错误）；（3）效应量（如两组均值差异）：效应量越大，功效越高；（4）数据方差：方差越小，功效越高。四、实操题（共25分）1.（10分）某电商平台有订单表（orders），字段包括：order_id（订单ID）、user_id（用户ID）、order_time（订单时间）、amount（订单金额）。要求用SQL查询每个用户的首次购买时间和首次购买金额。答案：SELECTuser_id,MIN(order_time)ASfirst_order_time,amountASfirst_order_amountFROMordersWHERE(user_id,order_time)IN(SELECTuser_id,MIN(order_time)FROMordersGROUPBYuser_id)GROUPBYuser_id,amount;注：更高效的写法可使用窗口函数：WITHranked_ordersAS(SELECTuser_id,order_time,amount,ROW_NUMBER()OVER(PARTITIONBYuser_idORDERBYorder_time)ASrnFROMorders)SELECTuser_id,order_timeASfirst_order_time,amountASfirst_order_amountFROMranked_ordersWHERErn=1;2.（15分）使用Python的Pandas库完成以下操作：（1）读取CSV文件“sales_data.csv”，包含字段：date（日期）、category（品类）、sales（销售额）、quantity（销量）；（2）筛选出2023年13月（1月1日至3月31日）的数据；（3）按品类计算总销售额和平均销量；（4）绘制各品类总销售额的柱状图（使用Matplotlib）。答案：（1）读取数据：importpandasaspddf=pd.read_csv('sales_data.csv')df['date']=pd.to_datetime(df['date'])转换日期格式（2）筛选时间范围：start_date=pd.to_datetime('20230101')end_date=pd.to_datetime('20230331')df_filtered=df[(df['date']>=start_date)&(df['date']<=end_date)]（3）按品类聚合：category_stats=df_filtered.groupby('category').agg(total_sales=('sales','sum'),avg_quantity=('quantity','mean')).reset_index()（4）绘制柱状图：importmatplotlib.pyplotaspltplt.figure(figsize=(10,6))plt.bar(category_stats['category'],category_stats['total_sales'],color='skyblue')plt.xlabel('Category')plt.ylabel('TotalSales')plt.title('TotalSalesbyCategory(JanMar2023)')注：题目未要求标题，但实际绘图需标注plt.xticks(rotation=45)plt.tight_layout()plt.show()五、综合分析题（共20分）某在线教育平台想分析用户付费转化情况，现有以下数据：用户表（users）：user_id（用户ID）、reg_time（注册时间）、channel（注册渠道）试听记录表（trial）：user_id、trial_time（试听时间）、trial_duration（试听时长，分钟）付费表（payment）：user_id、pay_time（付费时间）、amount（付费金额）要求：（1）定义“转化周期”为用户从注册到首次付费的时间差，计算所有付费用户的平均转化周期；（2）分析不同注册渠道的付费转化率（付费用户数/注册用户数），并提出优化建议；（3）探索试听时长与付费转化率的关系（需说明分析思路）。答案：（1）计算平均转化周期：首先，需获取每个付费用户的首次付费时间，再与注册时间计算时间差。SQL实现（假设使用MySQL）：WITHfirst_payAS(SELECTuser_id,MIN(pay_time)ASfirst_pay_timeFROMpaymentGROUPBYuser_id)SELECTAVG(TIMESTAMPDIFF(DAY,u.reg_time,fp.first_pay_time))ASavg_conversion_daysFROMusersuJOINfirst_payfpONu.user_id=fp.user_id;注：若用Python，可通过Pandas合并用户表和首次付费时间表，计算时间差后取均值。（2）不同渠道付费转化率分析：步骤：①统计各渠道注册用户数：`SELECTchannel,COUNT(DISTINCTuser_id)ASreg_usersFROMusersGROUPBYchannel`；②统计各渠道付费用户数：`SELECTu.channel,COUNT(DISTINCTp.user_id)ASpay_usersFROMusersuLEFTJOINpaymentpONu.user_id=p.user_idGROUPBYu.channel`；③计算转化率：`pay_users/reg_users`；④按转化率排序，分析高/低转化渠道的差异（如用户质量、渠道流量性质等）。优化建议：对高转化率渠道（如渠道A），增加投放预算，优化落地页以保持转化优势；对低转化率渠道（如渠道B），分析用户注册后的行为（如试听完成率、试听时长），可能存在注册引导不清晰或内容与用户需求不匹配，需优化渠道素材或用户路径。（