数据分析师的岗位面试经典题目

2026年数据分析师的岗位面试经典题目一、统计学与数据分析基础（共5题，每题8分，合计40分）1.题目：某电商平台A、B两个店铺在2025年同季度的销售额数据如下：-A店铺：月均销售额分别为10万、12万、15万、14万、13万；-B店铺：月均销售额分别为8万、9万、16万、10万、12万。请问：（1）哪个店铺的销售额波动性更大？如何计算？（2）如果需要预测2026年第一季度（1月、2月、3月）的销售额，你会选择哪个店铺的数据作为参考？为什么？2.题目：假设某电商用户购买行为数据如下：-70%的用户会复购，30%的用户不会复购；-复购用户的平均客单价为200元，非复购用户的平均客单价为100元。请问：（1）该电商平台的整体平均客单价是多少？（2）如果平台希望提升整体客单价，应该优先关注哪类用户群体？3.题目：某城市外卖平台的订单数据如下：-工作日订单量占总订单量的60%，周末订单量占40%；-工作日订单的平均配送时间为25分钟，周末订单的平均配送时间为30分钟。请问：（1）该平台的平均订单配送时间是多少？（2）如果平台希望缩短整体配送时间，应该优先优化哪类订单？4.题目：某电商平台A、B两款产品的销售数据如下：-产品A：销量1000件，好评率80%；-产品B：销量500件，好评率90%。请问：（1）哪款产品的用户满意度更高？如何计算？（2）如果平台希望提升整体用户满意度，应该优先推广哪款产品？5.题目：某电商平台的用户行为数据如下：-80%的用户在进入网站后1分钟内离开，20%的用户会继续浏览；-继续浏览的用户中有50%会下单，50%不会下单。请问：（1）该平台的转化率是多少？（2）如果平台希望提升转化率，应该从哪些环节入手？二、SQL与数据库查询（共4题，每题10分，合计40分）1.题目：假设某电商平台的数据库表结构如下：-`orders`（订单表）：`order_id`（订单ID）、`user_id`（用户ID）、`product_id`（产品ID）、`order_date`（订单日期）、`price`（订单金额）；-`products`（产品表）：`product_id`（产品ID）、`product_name`（产品名称）、`category`（产品类别）。请写出以下SQL查询语句：（1）查询2025年12月所有订单的平均订单金额；（2）查询每个用户的总消费金额，并按总消费金额降序排列；（3）查询购买过“电子产品”类别的用户的数量。2.题目：假设某电商平台的数据库表结构如下：-`users`（用户表）：`user_id`（用户ID）、`注册日期`（register_date）、`性别`（gender）、`城市`（city）；-`orders`（订单表）：`order_id`（订单ID）、`user_id`（用户ID）、`订单金额`（price）、`订单日期`（order_date）。请写出以下SQL查询语句：（1）查询2025年注册的用户数量；（2）查询每个城市的用户总消费金额，并筛选出总消费金额超过100万的城市；（3）查询每个用户的复购次数（至少购买过两次订单的用户）。3.题目：假设某电商平台的数据库表结构如下：-`orders`（订单表）：`order_id`（订单ID）、`用户ID`（user_id）、`产品ID`（product_id）、`订单日期`（order_date）、`订单金额`（price）；-`products`（产品表）：`产品ID`（product_id）、`产品名称`（product_name）、`类别`（category）。请写出以下SQL查询语句：（1）查询2025年最畅销的3个产品及其销售总额；（2）查询每个用户的订单数量，并筛选出订单数量超过10的用户；（3）查询订单金额超过200元的订单，并按订单日期降序排列。4.题目：假设某电商平台的数据库表结构如下：-`users`（用户表）：`user_id`（用户ID）、`年龄`（age）、`性别`（gender）、`城市`（city）；-`orders`（订单表）：`order_id`（订单ID）、`user_id`（用户ID）、`订单金额`（price）、`订单日期`（order_date）。请写出以下SQL查询语句：（1）查询年龄在20-30岁之间的用户数量；（2）查询每个城市的用户平均订单金额，并按平均订单金额降序排列；（3）查询2025年消费金额最高的用户及其消费金额。三、Python与数据操作（共3题，每题12分，合计36分）1.题目：假设某电商平台的用户行为数据存储在一个CSV文件中，字段包括：-`user_id`（用户ID）、`product_id`（产品ID）、`行为类型`（action_type，如“浏览”“加购”“下单”）、`行为时间`（action_time）。请用Python完成以下任务：（1）读取CSV文件，并统计每种行为类型的数量；（2）计算每个用户的总行为次数，并筛选出行为次数超过10的用户；（3）将数据按用户ID分组，并计算每个用户的平均行为间隔时间（单位：分钟）。2.题目：假设某电商平台的产品销售数据存储在一个DataFrame中，字段包括：-`product_id`（产品ID）、`product_name`（产品名称）、`category`（产品类别）、`销量`（sales）、`价格`（price）。请用Python完成以下任务：（1）筛选出销量超过1000的产品，并按销量降序排列；（2）计算每个产品类别的平均价格，并筛选出平均价格最高的类别；（3）将产品数据按类别分组，并计算每个类别的总销售额。3.题目：假设某电商平台的用户评论数据存储在一个DataFrame中，字段包括：-`user_id`（用户ID）、`product_id`（产品ID）、`评分`（rating）、`评论内容`（review_text）、`评论时间`（review_time）。请用Python完成以下任务：（1）计算每个产品的平均评分，并筛选出平均评分超过4.5的产品；（2）统计每个评分（1-5星）的数量，并绘制条形图展示结果；（3）提取评论内容中出现频率最高的3个关键词（如“好评”“质量好”“配送快”等）。四、业务分析与问题解决（共4题，每题10分，合计40分）1.题目：某电商平台发现2025年第四季度的用户流失率较第三季度上升了10%。请你分析可能的原因，并提出至少3个可行的改进措施。2.题目：某电商平台计划在2026年推出“会员积分兑换”活动，请你设计一个积分规则，并说明如何通过数据分析评估活动效果。3.题目：某电商平台发现某款产品的销量在2025年11月突然下降，请你分析可能的原因，并提出至少2个可行的解决方案。4.题目：某电商平台计划在2026年拓展下沉市场，请你分析下沉市场的用户特征，并提出至少3个针对性的运营策略。五、数据可视化与报告撰写（共2题，每题10分，合计20分）1.题目：假设某电商平台2025年的用户行为数据如下：-80%的用户在进入网站后1分钟内离开，20%的用户会继续浏览；-继续浏览的用户中有50%会加购，30%会下单，20%不会任何操作。请设计一个数据可视化方案（如漏斗图），并说明如何通过该方案发现问题并提出改进建议。2.题目：假设某电商平台2025年的产品销售数据如下：-产品A：销量1000件，毛利率40%；-产品B：销量500件，毛利率50%；-产品C：销量200件，毛利率30%。请设计一个数据可视化方案（如柱状图+折线图组合），并说明如何通过该方案发现问题并提出改进建议。答案与解析一、统计学与数据分析基础1.答案：（1）计算标准差或方差：A店铺的方差=（10-13)²+(12-13)²+(15-13)²+(14-13)²+(13-13)²=10.4；B店铺的方差=（8-11)²+(9-11)²+(16-11)²+(10-11)²+(12-11)²=26.4。B店铺的波动性更大。（2）选择A店铺的数据作为参考，因为A店铺的销售额波动性较小，预测结果更稳定。2.答案：（1）整体平均客单价=（70%200+30%100）/1=170元；（2）优先关注复购用户，因为复购用户客单价更高，提升其消费能显著提高整体客单价。3.答案：（1）平均配送时间=（60%25+40%30）/1=27分钟；（2）优先优化工作日订单，因为工作日订单量占比更高，优化后对整体配送时间的影响更大。4.答案：（1）产品A的满意度=（100080%）/(1000+500)100%=53.3%；（2）优先推广产品B，因为其好评率更高。5.答案：（1）转化率=（20%50%）/100%=10%；（2）优化进入网站后的用户体验，如减少加载时间、优化首页设计等。二、SQL与数据库查询1.答案：（1）SQLSELECTAVG(price)ASavg_priceFROMordersWHEREorder_dateBETWEEN'2025-12-01'AND'2025-12-31';（2）SQLSELECTuser_id,SUM(price)AStotal_spendingFROMordersGROUPBYuser_idORDERBYtotal_spendingDESC;（3）SQLSELECTCOUNT(DISTINCTuser_id)ASuser_countFROMordersoJOINproductspONduct_id=duct_idWHEREp.category='电子产品';2.答案：（1）SQLSELECTCOUNT()ASnew_user_countFROMusersWHEREregister_dateBETWEEN'2025-01-01'AND'2025-12-31';（2）SQLSELECTcity,SUM(price)AStotal_spendingFROMordersoJOINusersuONo.user_id=u.user_idWHEREo.order_dateBETWEEN'2025-01-01'AND'2025-12-31'GROUPBYcityHAVINGtotal_spending>1000000;（3）SQLSELECTuser_id,COUNT()ASrepurchase_countFROMordersWHEREuser_idIN(SELECTuser_idFROMordersGROUPBYuser_idHAVINGCOUNT()>1)GROUPBYuser_id;3.答案：（1）SQLSELECTproduct_id,product_name,SUM(price)AStotal_salesFROMordersoJOINproductspONduct_id=duct_idWHEREo.order_dateBETWEEN'2025-01-01'AND'2025-12-31'GROUPBYproduct_id,product_nameORDERBYtotal_salesDESCLIMIT3;（2）SQLSELECTuser_id,COUNT()ASorder_countFROMordersGROUPBYuser_idHAVINGorder_count>10;（3）SQLSELECTorder_id,priceFROMordersWHEREprice>200ORDERBYorder_dateDESC;4.答案：（1）SQLSELECTCOUNT()ASuser_countFROMusersWHEREageBETWEEN20AND30;（2）SQLSELECTcity,AVG(price)ASavg_order_priceFROMordersoJOINusersuONo.user_id=u.user_idGROUPBYcityORDERBYavg_order_priceDESC;（3）SQLSELECTuser_id,SUM(price)AStotal_spendingFROMordersWHEREorder_dateBETWEEN'2025-01-01'AND'2025-12-31'GROUPBYuser_idORDERBYtotal_spendingDESCLIMIT1;三、Python与数据操作1.答案：（1）pythonimportpandasaspddata=pd.read_csv('user_behavior.csv')action_counts=data['行为类型'].value_counts()print(action_counts)（2）pythonuser_behavior=data.groupby('user_id').size()active_users=user_behavior[user_behavior>10]print(active_users)（3）pythondata['action_time']=pd.to_datetime(data['行为时间'])user_intervals=data.groupby('user_id')['action_time'].diff().dt.total_seconds()/60print(user_intervals.mean())2.答案：（1）pythonimportpandasaspddata=pd.read_csv('product_sales.csv')top_products=data[data['销量']>1000].sort_values('销量',ascending=False)print(top_products)（2）pythoncategory_avg_price=data.groupby('category')['价格'].mean()top_category=category_avg_price.idxmax()print(f"平均价格最高的类别：{top_category}")（3）pythoncategory_total_sales=data.groupby('category')['销量'].sum()print(category_total_sales)3.答案：（1）pythonimportpandasaspddata=pd.read_csv('user_reviews.csv')product_ratings=data.groupby('product_id')['评分'].mean()high_rating_products=product_ratings[product_ratings>4.5]print(high_rating_products)（2）pythonrating_counts=data['评分'].value_counts()rating_counts.plot(kind='bar')（3）pythonfromcollectionsimportCounterwords=''.join(data['评论内容']).split()word_counts=Counter(words)top_keywords=word_counts.most_commo