2025年数据分析师职业能力鉴定考试试卷及答案

2025年数据分析师职业能力鉴定考试试卷及答案一、单项选择题（共20题，每题2分，共40分）1.以下哪种数据类型属于定类数据？A.温度（℃）B.用户性别（男/女）C.商品销量（件）D.客户满意度评分（1-5分）答案：B2.在Python中，使用pandas处理数据时，若要删除DataFrame中所有包含缺失值的行，应使用以下哪个方法？A.df.dropna(axis=0)B.df.fillna(axis=0)C.df.drop_duplicates(axis=0)D.df.replace(axis=0)答案：A3.某电商平台用户订单数据中，“支付时间”字段格式为“2024-10-2514:30:00”，若需提取该字段的月份信息，SQL中正确的函数是？A.MONTH(支付时间)B.EXTRACT(MONTHFROM支付时间)C.DATEPART(支付时间,MONTH)D.GET_MONTH(支付时间)答案：B4.以下哪项不属于数据清洗的核心任务？A.处理缺失值B.纠正数据格式错误C.计算用户RFM得分D.去除重复记录答案：C5.在A/B测试中，若对照组的转化率为10%，实验组为12%，统计检验显示p值=0.03（显著性水平α=0.05），则结论应为？A.实验组与对照组无显著差异B.实验组转化率显著高于对照组C.实验组转化率显著低于对照组D.无法得出结论答案：B6.某数据集的偏度（Skewness）为-1.2，说明数据分布呈现？A.左偏（负偏）B.右偏（正偏）C.正态分布D.均匀分布答案：A7.以下哪种可视化图表最适合展示不同地区年度销售额的对比？A.折线图B.散点图C.柱状图D.热力图答案：C8.在机器学习中，若模型在训练集上表现很好（准确率95%），但在测试集上表现差（准确率60%），最可能的原因是？A.欠拟合B.过拟合C.数据量不足D.特征选择不当答案：B9.计算用户月活（MAU）时，需统计自然月内至少活跃1次的用户数，以下SQL语句正确的是？A.SELECTCOUNT(DISTINCT用户ID)FROM行为日志WHERE日期BETWEEN'2024-01-01'AND'2024-01-31'B.SELECTCOUNT(用户ID)FROM行为日志WHERE日期LIKE'2024-01-%'C.SELECTSUM(用户ID)FROM行为日志WHEREMONTH(日期)=1ANDYEAR(日期)=2024D.SELECTAVG(用户ID)FROM行为日志WHERE日期BETWEEN'2024-01-01'AND'2024-01-31'答案：A10.以下哪个指标属于用户留存分析中的“次日留存率”？A.第1天注册用户中，第7天活跃的比例B.第1天活跃用户中，第2天活跃的比例C.第1天付费用户中，第30天复购的比例D.第1天访问用户中，第15天访问的比例答案：B11.在数据仓库建模中，星型模型的核心是？A.维度表围绕事实表展开B.所有表通过雪花模式关联C.强调数据的高度归一化D.仅包含事实表答案：A12.若某变量的VIF（方差膨胀因子）值为8，说明该变量？A.与其他变量无多重共线性B.与其他变量存在较强多重共线性C.对目标变量的解释力强D.对目标变量的解释力弱答案：B13.以下哪种方法最适合处理高维数据的特征降维？A.标准化（Z-score）B.主成分分析（PCA）C.独热编码（One-Hot）D.分箱（Binning）答案：B14.某产品用户年龄分布的箱线图中，上四分位数（Q3）为35，下四分位数（Q1）为25，中位数为30，若某用户年龄为45，则该值属于？A.正常数据B.温和异常值（超过Q3+1.5IQR）C.极端异常值（超过Q3+3IQR）D.无法判断答案：B（注：IQR=Q3-Q1=10，Q3+1.5IQR=35+15=50，45<50，故为温和异常值）15.在Python中，使用sklearn进行线性回归时，若需查看模型系数，应调用哪个属性？A.ercept_B.model.coef_C.model.score_D.model.predict_答案：B16.以下哪项属于业务指标设计的核心原则？A.指标越复杂越好B.指标需与业务目标强相关C.指标无需考虑数据可获取性D.指标仅关注短期结果答案：B17.某网站流量数据中，“跳出率”的正确计算方式是？A.跳出次数/总访问次数B.跳出次数/新用户访问次数C.（总访问次数-跳出次数）/总访问次数D.跳出页面数/总页面浏览量答案：A18.在SQL中，若要查询每个用户的首单时间，应使用以下哪种窗口函数？A.ROW_NUMBER()B.RANK()C.FIRST_VALUE(下单时间)OVER(PARTITIONBY用户IDORDERBY下单时间)D.LAST_VALUE(下单时间)OVER(PARTITIONBY用户IDORDERBY下单时间)答案：C19.以下哪种场景最适合使用时间序列分析？A.预测某商品下月销量B.分析用户性别与购买偏好的关系C.识别高价值客户群体D.评估广告投放渠道的转化效果答案：A20.数据分析师在解读分析结果时，最应避免的行为是？A.结合业务背景验证结论B.仅依赖统计显著性忽略实际业务影响C.用可视化图表辅助说明D.标注分析的局限性答案：B二、填空题（共10题，每题2分，共20分）1.数据清洗中，处理缺失值的常见方法包括删除记录、插补（如均值/中位数填充）和__________（填写一种）。答案：保留缺失值（或：根据业务逻辑自定义填充）2.在Python中，使用seaborn绘制热力图的函数是__________。答案：sns.heatmap()3.统计中，反映数据离散程度的指标除方差、标准差外，还有__________（填写一种）。答案：极差（或：四分位距/IQR）4.若某变量服从正态分布N(μ,σ²)，则约__________%的数据落在[μ-2σ,μ+2σ]区间内。答案：955.SQL中，用于计算分组内累计和的窗口函数语法为__________（填写函数名及关键参数）。答案：SUM(字段名)OVER(PARTITIONBY分组字段ORDERBY排序字段ROWSBETWEENUNBOUNDEDPRECEDINGANDCURRENTROW)6.用户分群分析中，RFM模型的三个维度是最近一次消费（Recency）、消费频率（Frequency）和__________。答案：消费金额（Monetary）7.机器学习中，将分类模型的预测结果与真实标签对比，用于计算准确率的矩阵称为__________。答案：混淆矩阵8.数据可视化的核心目标是__________（填写最关键的一点）。答案：清晰、高效地传递信息9.在A/B测试中，样本量计算需考虑的三个关键参数是显著性水平（α）、检验效能（1-β）和__________。答案：最小可检测差异（或：效应量）10.某电商平台用户行为数据中，“访问深度”通常定义为__________。答案：每次访问的页面浏览量（或：平均每次访问浏览的页面数）三、简答题（共5题，每题8分，共40分）1.简述数据清洗的主要步骤及各步骤的核心任务。答案：数据清洗主要包括以下步骤：（1）数据质量检查：通过统计缺失值比例、异常值分布、数据格式一致性（如日期是否统一）等，全面评估数据质量；（2）处理缺失值：根据业务场景选择删除（缺失率过高且无替代信息）、插补（均值/中位数填充、回归预测填充）或保留（缺失本身有业务含义，如“未填写联系方式”）；（3）纠正异常值：通过箱线图、Z-score等方法识别异常值，结合业务逻辑判断是数据错误（如年龄200岁）还是真实极值（如高消费用户），分别进行修正或保留；（4）去除重复记录：通过唯一标识（如订单ID）检测并删除完全重复或部分重复的记录，避免数据冗余；（5）统一数据格式：调整不一致的字段格式（如“2024/10/25”改为“2024-10-25”）、单位（如“kg”与“公斤”统一）或大小写（如“Apple”与“apple”统一）；（6）验证清洗结果：重新检查关键指标（如用户数、销售额）是否合理，确保清洗后数据能真实反映业务情况。2.说明A/B测试中“显著性水平（α）”和“检验效能（1-β）”的含义，并解释为何需要同时考虑两者。答案：（1）显著性水平α：表示原假设（实验组与对照组无差异）为真时，错误拒绝原假设的概率（即“第一类错误”概率），通常取0.05（5%）；（2）检验效能1-β：表示原假设为假时，正确拒绝原假设的概率（即“第二类错误”概率β的补集），通常要求不低于0.8（80%）；（3）需同时考虑的原因：仅控制α可能导致β过高（即使真实存在差异也无法检测到），仅控制β可能导致α过高（误判差异存在）。两者平衡可确保测试结果既可靠又具备检测真实差异的能力。3.请对比Python中pandas和SQL在数据处理上的优缺点（各列举2点）。答案：（1）pandas优点：-灵活的内存计算：适合小规模数据的复杂操作（如自定义函数应用）；-与Python生态（如scikit-learn、matplotlib）无缝集成，便于分析建模与可视化；（2）pandas缺点：-数据量限制：依赖内存，处理超大数据集（如10GB以上）时性能下降；-学习成本：需掌握Python语法及pandas特定方法；（3）SQL优点：-高效处理大规模数据：基于数据库优化，支持分布式计算（如HiveSQL）；-标准化语法：跨数据库系统（MySQL、PostgreSQL）通用性强；（4）SQL缺点：-复杂逻辑实现困难：嵌套查询或递归操作语法繁琐；-缺乏建模能力：需结合其他工具完成机器学习等高级分析。4.某零售企业发现本月销售额环比下降15%，作为数据分析师，你会如何展开分析？（要求列出关键步骤及关注指标）答案：关键分析步骤及关注指标：（1）拆解销售额下降：销售额=销量×客单价，分别分析销量（总订单量）和客单价（总销售额/订单量）的变化；（2）定位时间维度：按日期查看每日销售额趋势，识别是否为阶段性波动（如某周促销缺失）或持续性下降；（3）定位品类维度：分析各品类销售额占比及环比变化，找出拖后腿的核心品类（如占比30%的品类下降30%）；（4）定位用户维度：-新用户：新客数量、新客转化率（注册→下单）、新客客单价；-老用户：老客复购率（下单用户中复购用户占比）、老客平均购买频次；（5）外部因素排查：-市场环境：是否有竞品大规模促销、行业整体增速是否放缓；-内部运营：是否调整了定价策略、广告投放预算是否缩减、库存是否短缺（缺货商品销售额占比）；（6）结论验证：通过相关性分析（如广告投入与销售额的相关系数）、A/B测试（如某活动暂停对销售额的影响）确认核心原因。5.简述数据可视化的“6C原则”及其具体含义。答案：数据可视化的“6C原则”是确保图表有效传递信息的核心准则，具体含义如下：（1）清晰（Clarity）：图表需明确表达核心结论，避免冗余元素（如过多颜色、无关标注）；（2）准确（Correctness）：数据来源、计算逻辑、图表类型选择需准确（如用折线图展示时间趋势，而非柱状图）；（3）简洁（Conciseness）：用最少元素传递最多信息，避免复杂图表（如能用柱状图则不用3D柱状图）；（4）一致（Consistency）：同一报告中图表的配色、字体、坐标轴单位需统一（如所有图表均使用企业VI色）；（5）可信（Credibility）：标注数据时间范围、来源（如“数据截至2024年12月，来自OMS系统”），增强结论可信度；（6）关联（Connection）：图表需与业务问题关联，例如分析用户流失时，图表应直接展示流失用户的行为差异（如访问深度、停留时长）。四、案例分析题（共2题，每题20分，共40分）案例1：某短视频APP用户留存率下降分析背景：某APP2024年11月的“7日留存率”为38%，较10月的45%显著下降。已知用户行为数据包含：注册时间、首次使用时长（分钟）、首次观看内容类型（娱乐/教育/生活）、首次互动行为（点赞/评论/分享）、次日是否活跃（是/否）、7日是否活跃（是/否）。任务：作为数据分析师，请设计分析方案，包括：（1）需要验证的假设；（2）关键分析步骤；（3）需计算的核心指标；（4）可能的结论方向。答案：（1）需要验证的假设：-假设1：新用户质量下降（如通过低效渠道引入的用户留存低）；-假设2：首次使用体验变差（如首次使用时长过短导致用户流失）；-假设3：首次观看内容类型分布变化（如教育类内容占比提升，但用户偏好娱乐类）；-假设4：首次互动行为缺失（未点赞/评论的用户留存更低）。（2）关键分析步骤：①数据预处理：筛选10月、11月注册用户，关联注册渠道（需补充渠道数据）、首次行为数据；②对比分析：-渠道维度：计算各渠道（如应用商店、广告投放、自然流量）的用户占比及7日留存率，对比10月与11月变化；-首次使用时长：按时长分箱（如0-5分钟、5-15分钟、>15分钟），计算各箱留存率，对比分布差异；-内容类型：统计娱乐/教育/生活类内容的首次观看占比，分析高留存内容类型的占比是否下降；-互动行为：对比“有互动”与“无互动”用户的留存率，分析11月无互动用户占比是否增加；③相关性分析：通过逻辑回归模型，计算各变量（首次时长、内容类型、互动行为、渠道）对7日留存的影响系数，识别关键驱动因素。（3）需计算的核心指标：-各渠道用户占比、渠道7日留存率；-首次使用时长分布（各时长区间用户占比）、各时长区间留存率；-各内容类型首次观看占比、内容类型对应的留存率；-首次互动行为率（有互动用户占比）、互动与非互动用户留存率差值；-逻辑回归模型中各变量的OR值（优势比，反映变量对留存的影响程度）。（4）可能的结论方向：-若某广告渠道11月用户占比从20%提升至40%，且该渠道留存率仅25%（10月为35%），则结论为“低效渠道用户占比增加导致整体留存下降”；-若11月首次使用时长<5分钟的用户占比从30%升至50%，且该区间留存率仅20%，则结论为“新用户首次使用时长缩短，体验不足导致流失”；-若教育类内容首次观看占比从15%升至30%，而教育类用户留存率仅30%（娱乐类为50%），则结论为“首次观看内容类型与用户偏好不匹配”；-若11月无互动用户占比从45%升至60%，且无互动用户留存率仅28%（有互动为55%），则结论为“用户首次互动行为减少影响留存”。案例2：某电商平台冬季羽绒服销售预测背景：某电商平台需预测2025年12月羽绒服销售额，可用数据包括：2020-2024年12月羽绒服销售额（万元）、同期平均气温（℃）、平台羽绒服促销力度（折扣率，如8折=0.8）、竞品羽绒服均价（元）、平台用户数（万人）。任务：作为数据分析师，（1）请选择合适的预测模型；（2）说明数据预处理步骤；（3）列出需验证的模型假设；（4）给出模型效果评估指标。答案：（1）合适的预测模型：选择多元线性回归模型（若数据满足线性假设）或时间序列与回归结合的模型（如ARIMAX）。因影响因素包含时间序列（历史销售额）和外部变量（气温、促销力度等），ARIMAX可同时捕捉时间趋势和外部变量的影响；若变量间线性关系显著，多元线性回归更易解释。（2）数据预处理步骤：①缺失值处理：检查各变量（销售额、气温、促销力度等）是否有缺失，