数据分析师面试要点及题目分析

2026年数据分析师面试要点及题目分析一、行业与地域背景设定2026年数据分析师岗位竞争将更加激烈，企业对数据驱动决策能力的要求显著提升。面试重点考察候选人在零售（中国华东地区）、金融（美国纽约）、电商（东南亚）等行业的实战经验，结合SQL、Python、统计学及业务理解能力。以下题目覆盖技术实操、业务分析、数据可视化及问题解决能力。题型1：SQL数据库操作（共3题，每题10分）目标：考察数据提取、清洗及复杂查询能力。题目1（中国华东地区零售行业）题目：某超市华东分店2025年1-10月的销售数据存储在`sales`表中，表结构如下：-`order_id`（订单ID，INT）-`customer_id`（顾客ID，VARCHAR）-`product_id`（商品ID，VARCHAR）-`order_date`（订单日期，DATE）-`quantity`（数量，INT）-`unit_price`（单价，DECIMAL）-`region`（区域，VARCHAR）要求：1.查询华东地区2025年销售额最高的前5名商品，结果包含商品ID和总销售额。2.用`WITH`子句计算每个顾客的月消费总额，结果按顾客ID和月份排序。答案与解析1.sqlSELECTproduct_id,SUM(quantityunit_price)AStotal_salesFROMsalesWHEREregion='华东'ANDYEAR(order_date)=2025GROUPBYproduct_idORDERBYtotal_salesDESCLIMIT5;解析：筛选华东地区和2025年数据，计算每商品销售额并排序。2.sqlWITHmonthly_salesAS(SELECTcustomer_id,DATE_FORMAT(order_date,'%Y-%m')ASmonth,SUM(quantityunit_price)ASmonthly_totalFROMsalesWHEREregion='华东'ANDYEAR(order_date)=2025GROUPBYcustomer_id,month)SELECTcustomer_id,month,monthly_totalFROMmonthly_salesORDERBYcustomer_id,month;解析：用`WITH`存储中间结果，按月汇总顾客消费并按ID排序。题目2（美国纽约金融行业）题目：某银行交易表`transactions`结构：-`transaction_id`（交易ID，INT）-`account_id`（账户ID，VARCHAR）-`amount`（金额，DECIMAL）-`type`（交易类型，VARCHAR：'DEPOSIT'/'WITHDRAWAL'）-`timestamp`（时间戳，DATETIME）要求：1.查询2025年纽约账户的日均存款金额，结果按账户ID排序。2.用子查询找出交易金额超过账户日均存款的异常交易，输出账户ID和异常金额。答案与解析1.sqlSELECTaccount_id,AVG(amount)ASavg_daily_depositFROMtransactionsWHEREtype='DEPOSIT'ANDYEAR(timestamp)=2025ANDMONTH(timestamp)=10GROUPBYaccount_idORDERBYaccount_id;解析：筛选存款并按月汇总，计算日均存款。2.sqlSELECTt1.account_id,t1.amountASanomaly_amountFROMtransactionst1WHEREt1.type='DEPOSIT'ANDt1.amount>(SELECTAVG(amount)FROMtransactionst2WHEREt2.account_id=t1.account_idANDt2.type='DEPOSIT'GROUPBYt2.account_id);解析：子查询计算每账户日均存款，对比筛选异常交易。题目3（东南亚电商行业）题目：电商订单表`orders`结构：-`order_id`（订单ID，INT）-`user_id`（用户ID，VARCHAR）-`product_category`（品类，VARCHAR）-`order_date`（日期，DATE）-`payment_method`（支付方式，VARCHAR）-`region`（区域，VARCHAR）要求：1.查询2025年东南亚地区各支付方式的订单占比，结果保留两位小数。2.用`JOIN`关联用户表`users`（字段：`user_id`、`registration_date`），统计2025年新注册用户的首单金额。答案与解析1.sqlSELECTpayment_method,ROUND(COUNT()100.0/(SELECTCOUNT()FROMordersWHEREregion='东南亚'ANDYEAR(order_date)=2025),2)ASpercentageFROMordersWHEREregion='东南亚'ANDYEAR(order_date)=2025GROUPBYpayment_method;解析：计算每支付方式订单数占比。2.sqlSELECTu.user_id,o.order_id,o.quantityo.unit_priceASfirst_order_amountFROMusersuJOINordersoONu.user_id=o.user_idWHEREu.registration_dateBETWEEN'2025-01-01'AND'2025-12-31'ANDo.order_date=(SELECTMIN(order_date)FROMorderso2WHEREo2.user_id=u.user_id);解析：关联用户表，用子查询找每用户首单日期，计算金额。题型2：Python数据分析与处理（共3题，每题10分）目标：考察Pandas、NumPy及数据清洗能力。题目1（中国华东地区零售行业）题目：给定以下Python数据：pythonimportpandasaspddata={'customer_id':['C001','C001','C002','C003'],'order_date':['2025-01-10','2025-02-15','2025-01-20','2025-03-05'],'sales':[120,250,300,180]}df=pd.DataFrame(data)要求：1.将`order_date`转换为日期格式并计算每月总销售额。2.用`groupby`统计每个顾客的平均订单金额。答案与解析1.pythondf['order_date']=pd.to_datetime(df['order_date'])monthly_sales=df.groupby(df['order_date'].dt.to_period('M')).sales.sum().reset_index()monthly_sales.columns=['month','total_sales']print(monthly_sales)解析：转换日期格式，按月汇总销售额。2.pythonavg_sales_per_customer=df.groupby('customer_id')['sales'].mean().reset_index()print(avg_sales_per_customer)解析：按顾客ID分组计算平均订单金额。题目2（美国纽约金融行业）题目：某银行账户余额数据：pythonimportnumpyasnpbalance_changes=np.array([100,-50,200,-30,90,-10])要求：1.用NumPy计算账户的月度净变化。2.用Pandas处理以下DataFrame：pythonaccounts=pd.DataFrame({'account_id':['A001','A002'],'balance':[1500,2300],'interest_rate':[0.03,0.04]})计算每个账户一年后的本息和（假设复利）。答案与解析1.pythonmonthly_net_change=np.cumsum(balance_changes)print(monthly_net_change)解析：使用`cumsum`计算累计净变化。2.pythonaccounts['final_balance']=accounts.apply(lambdarow:row['balance'](1+row['interest_rate'])12,axis=1)print(accounts)解析：用`apply`计算复利后的余额。题目3（东南亚电商行业）题目：给定用户行为数据：pythonimportpandasaspddata={'user_id':['U001','U002','U001','U003'],'action':['click','purchase','click','purchase'],'timestamp':['2025-10-0110:00','2025-10-0111:00','2025-10-0209:00','2025-10-0215:00']}df=pd.DataFrame(data)要求：1.用Pandas统计每个用户每日的活跃时长（按小时）。2.用`merge`合并以下两个DataFrame：pythonproducts=pd.DataFrame({'product_id':[1,2],'name':['Laptop','Phone']})orders=pd.DataFrame({'order_id':[101,102],'product_id':[1,2]})答案与解析1.pythondf['timestamp']=pd.to_datetime(df['timestamp'])daily_active_hours=df.groupby(['user_id',df['timestamp'].dt.date])['timestamp'].diff().dt.total_seconds()/3600daily_active_hours=daily_active_hours.fillna(0).groupby('user_id').sum().reset_index()daily_active_hours.columns=['user_id','active_hours']print(daily_active_hours)解析：计算时间差并汇总每日活跃时长。2.pythonmerged_df=pd.merge(orders,products,on='product_id')print(merged_df)解析：按`product_id`合并订单和商品信息。题型3：业务分析与问题解决（共3题，每题10分）目标：考察行业洞察及数据驱动决策能力。题目1（中国华东地区零售行业）题目：某超市发现2025年10月华东区生鲜品类销售额环比下降20%，但客流量持平。分析可能原因并提出改进建议。答案与解析1.可能原因：-竞争对手推出促销活动。-生鲜商品价格过高。-消费者偏好变化（如转向线上购买）。-店内陈列或促销策略不足。2.改进建议：-对比竞品价格，优化定价策略。-开展“买赠”或会员折扣活动。-引入线上预约线下自提服务。-加强商品陈列和可视化营销。题目2（美国纽约金融行业）题目：某银行发现年轻客户（25岁以下）的信用卡逾期率较去年上升15%。分析原因并提出解决方案。答案与解析1.可能原因：-年轻人收入不稳定。-信用卡使用教育不足。-竞争对手推出更灵活的还款选项。-借贷行为监测系统滞后。2.解决方案：-推出分期还款计划。-加强信用额度管理。-开展财务教育课程。-优化风险评估模型。题目3（东南亚电商行业）题目：某电商平台发现东南亚地区移动端订单转化率低于桌面端30%。分析原因并提出优化方案。答案与解析1.可能原因：-移动端页面加载速度慢。-结账流程复杂。-小屏幕操作不便。-移动端广告点击成本高。2.优化方案：-优化页面响应速度。-简化结账步骤（如一键支付）。-设计移动端适配界面。-优化移动端广告投放策略。题型4：数据可视化与报告（共1题，20分）目标：考察数据呈现能力。题目1（中国华东地区零售行业）题目：某超市2025年1-10月各品类销售额数据如下：|品类|销售额（万元）|||--||生鲜|120||日用品|95||服装|80||食品|65|要求：1.