2025年数据分析师面试bi备知识模拟题集

2025年数据分析师面试必备知识模拟题集一、选择题（共5题，每题2分）1.在处理缺失值时，以下哪种方法最可能导致偏差？A.删除含有缺失值的记录B.使用均值填充C.使用中位数填充D.使用KNN填充2.以下哪个指标最适合衡量分类模型的预测准确性？A.变异系数B.决定系数C.AUCD.均方误差3.在时间序列分析中，ARIMA模型的阶数(p,d,q)分别代表什么？A.自回归阶数、差分阶数、移动平均阶数B.移动平均阶数、自回归阶数、差分阶数C.差分阶数、移动平均阶数、自回归阶数D.预测误差阶数、自回归阶数、移动平均阶数4.以下哪种数据库最适合存储结构化数据？A.NoSQL数据库B.NewSQL数据库C.图数据库D.搜索引擎数据库5.在数据可视化中，以下哪种图表最适合展示部分与整体的关系？A.散点图B.折线图C.饼图D.热力图二、填空题（共5题，每题2分）1.在数据清洗过程中，处理重复值的主要方法是__________________________。2.逻辑回归模型的损失函数通常是__________________________。3.在假设检验中，第一类错误是指__________________________。4.数据仓库中的OLAP操作包括__________________________、切片、旋转。5.在SQL中，用于计算分组数据统计量的函数是__________________________。三、简答题（共5题，每题4分）1.简述数据探索性分析的主要步骤。2.解释什么是过拟合，并说明如何避免过拟合。3.描述K-means聚类算法的基本原理。4.说明数据仓库与数据湖的区别。5.解释什么是特征工程，并举例说明常见的特征工程方法。四、编程题（共2题，每题10分）1.使用Python的Pandas库，对以下数据进行处理：pythonimportpandasaspddata={'姓名':['张三','李四','王五','赵六','孙七'],'年龄':[25,30,35,40,45],'性别':['男','女','男','女','男'],'收入':[5000,6000,7000,8000,9000]}df=pd.DataFrame(data)要求：-计算每个性别的平均收入-找出年龄大于30的用户-对收入进行排序并展示前3名2.使用Python的Scikit-learn库，对以下数据进行逻辑回归建模：pythonfromsklearn.datasetsimportload_irisdata=load_iris()X=data.datay=data.target要求：-划分训练集和测试集-训练逻辑回归模型-评估模型准确率五、综合分析题（共1题，20分）某电商平台收集了用户购买行为数据，包括用户ID、商品ID、购买时间、商品价格、用户评分。请设计一个分析方案，回答以下问题：1.分析用户购买行为的时间规律。2.找出最受欢迎的商品类别。3.建议一个用户分群的方案。4.提出至少三个有价值的商业建议。答案一、选择题答案1.A2.C3.A4.B5.C二、填空题答案1.删除重复记录或使用唯一标识符去重2.逻辑损失函数（LogLoss）3.拒绝了实际上为真的原假设4.上卷、下卷、交叉卷5.聚合函数（SUM,AVG,COUNT等）三、简答题答案1.数据探索性分析的主要步骤：-数据收集与整理-描述性统计（均值、中位数、标准差等）-数据可视化（直方图、散点图等）-检测异常值与缺失值-相关性分析-提出假设与验证2.过拟合是指模型在训练数据上表现很好，但在新数据上表现较差的现象。避免过拟合的方法：-增加训练数据量-使用正则化技术（L1/L2）-减少模型复杂度-使用交叉验证-早停法3.K-means聚类算法的基本原理：-随机选择K个初始聚类中心-将每个数据点分配到最近的聚类中心-重新计算聚类中心-重复步骤2和3，直到聚类中心不再变化4.数据仓库与数据湖的区别：-数据仓库：存储结构化数据，用于OLAP分析-数据湖：存储原始数据，可以是结构化、半结构化或非结构化-数据仓库有预定义模式，数据湖是模式无关-数据仓库数据是经过处理和整合的，数据湖是原始数据5.特征工程是指通过领域知识将原始数据转换为更有用的特征的过程。常见方法：-特征编码（独热编码、标签编码）-特征组合（交互特征）-特征变换（归一化、标准化）-特征选择（相关性分析、递归特征消除）四、编程题答案1.Pandas数据处理代码：pythonimportpandasaspddata={'姓名':['张三','李四','王五','赵六','孙七'],'年龄':[25,30,35,40,45],'性别':['男','女','男','女','男'],'收入':[5000,6000,7000,8000,9000]}df=pd.DataFrame(data)#计算每个性别的平均收入avg_income_by_gender=df.groupby('性别')['收入'].mean()print("每个性别的平均收入:")print(avg_income_by_gender)#找出年龄大于30的用户older_users=df[df['年龄']>30]print("\n年龄大于30的用户:")print(older_users)#对收入进行排序并展示前3名top3_income=df.sort_values(by='收入',ascending=False).head(3)print("\n收入前3名的用户:")print(top3_income)2.逻辑回归建模代码：pythonfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.linear_modelimportLogisticRegressionfromsklearn.metricsimportaccuracy_scoredata=load_iris()X=data.datay=data.target#划分训练集和测试集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42)#训练逻辑回归模型model=LogisticRegression()model.fit(X_train,y_train)#评估模型准确率y_pred=model.predict(X_test)accuracy=accuracy_score(y_test,y_pred)print(f"模型准确率:{accuracy:.2f}")五、综合分析题答案分析方案：1.用户购买行为的时间规律：-分析每日、每周、每月的购买量-找出购买高峰时段（如工作日晚上、周末）-分析节假日对购买行为的影响2.最受欢迎的商品类别：-统计每个商品ID的销售数量-对商品进行分类统计-计算每个类别的总收入和销售量-找出平