数据分析师面试题及答案数据挖掘与处理技巧

2026年数据分析师面试题及答案：数据挖掘与处理技巧一、选择题（每题3分，共10题）题目：1.在处理缺失值时，以下哪种方法不属于常见的数据填充策略？A.均值/中位数/众数填充B.K最近邻（KNN）填充C.回归填充D.随机森林填充2.以下哪种算法不属于监督学习算法？A.决策树B.K-means聚类C.线性回归D.逻辑回归3.在数据标准化过程中，Z-score标准化（均值为0，标准差为1）适用于哪种数据分布？A.偏态分布B.正态分布C.离散分布D.所有分布4.以下哪种指标适用于评估分类模型的性能？A.均方误差（MSE）B.R²（决定系数）C.准确率（Accuracy）D.均值绝对误差（MAE）5.在数据特征工程中，以下哪种方法不属于特征编码技术？A.独热编码（One-HotEncoding）B.标签编码（LabelEncoding）C.PCA降维D.灰箱编码6.以下哪种数据挖掘任务适用于发现数据中的隐藏模式？A.分类B.聚类C.回归D.关联规则挖掘7.在时间序列分析中，ARIMA模型的适用场景是？A.线性关系分析B.非平稳时间序列C.分类问题D.空间数据分析8.以下哪种工具适用于大规模数据处理？A.ExcelB.Python（Pandas）C.SPSSD.Tableau9.在数据清洗过程中，以下哪种方法不属于异常值处理？A.IQR（四分位数间距）法B.Z-score法C.KNN法D.均值替换10.以下哪种技术不属于深度学习范畴？A.CNN（卷积神经网络）B.RNN（循环神经网络）C.SVM（支持向量机）D.LSTM（长短期记忆网络）二、简答题（每题5分，共5题）题目：1.简述数据预处理在数据分析流程中的重要性，并列举至少三种常见的数据预处理方法。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，并说明其优缺点。4.解释交叉验证（Cross-Validation）的概念及其作用。5.列举三种常见的特征选择方法，并简要说明其原理。三、计算题（每题10分，共3题）题目：1.假设有一组数据：[10,20,30,40,50]，计算其均值、中位数和方差。2.给定一个分类问题，模型预测结果与实际结果如下表：|实际值|预测值||--|--||正例|正例||负例|正例||正例|负例||负例|负例|计算该模型的准确率、精确率、召回率和F1分数。3.假设有一个线性回归模型，其参数为：斜率=2，截距=1。输入特征为X=3，预测结果为多少？四、代码题（每题15分，共2题）题目：1.使用Python（Pandas）对以下数据进行清洗和预处理：pythonimportpandasaspddata={'Name':['Alice','Bob','Charlie',None],'Age':[25,30,None,35],'Salary':[50000,60000,70000,None]}df=pd.DataFrame(data)要求：-处理缺失值（Name用众数填充，Age用中位数填充，Salary用均值填充）。-对Age和Salary列进行标准化（Z-score标准化）。-筛选出年龄大于28的记录。2.使用Python（Scikit-learn）实现一个简单的K-means聚类，对以下数据进行聚类：pythonimportnumpyasnpfromsklearn.clusterimportKMeansX=np.array([[1,2],[1,4],[1,0],[10,2],[10,4],[10,0]])要求：-使用K-means算法将数据聚为2类。-打印每个样本的聚类标签。答案及解析一、选择题答案1.D（随机森林填充不是常见的数据填充策略）2.B（K-means聚类属于无监督学习算法）3.B（Z-score标准化适用于正态分布数据）4.C（准确率适用于分类模型性能评估）5.C（PCA降维属于特征降维，不属于特征编码）6.B（聚类适用于发现数据中的隐藏模式）7.B（ARIMA模型适用于非平稳时间序列）8.B（Python的Pandas适用于大规模数据处理）9.D（均值替换不属于异常值处理方法）10.C（SVM属于机器学习范畴，不属于深度学习）二、简答题答案1.数据预处理的重要性及方法-重要性：原始数据通常存在缺失值、异常值、不一致等问题，直接影响模型性能。数据预处理可提高数据质量，确保模型训练的准确性。-方法：-缺失值处理（均值/中位数填充、KNN填充等）。-异常值处理（IQR法、Z-score法等）。-数据标准化/归一化（Z-score、Min-Max等）。2.过拟合及其避免方法-过拟合：模型对训练数据拟合过度，泛化能力差，在新数据上表现不佳。-避免方法：-增加数据量（数据增强）。-使用正则化（L1/L2）。-简化模型复杂度（减少特征或参数）。-使用交叉验证评估模型。3.K-means聚类原理及优缺点-原理：将数据划分为K个簇，每个簇由距离其质心（均值）最近的样本组成。迭代更新质心，直至收敛。-优点：简单高效，适用于大规模数据。-缺点：对初始质心敏感，无法处理非凸形状簇。4.交叉验证的作用-概念：将数据划分为K份，轮流使用K-1份训练，1份验证，重复K次，取平均性能。-作用：减少模型评估偏差，提高泛化能力。5.特征选择方法-单变量特征选择（如卡方检验）。-基于模型的选择（如Lasso回归）。-递归特征消除（RFE）。三、计算题答案1.均值、中位数、方差计算-均值：`(10+20+30+40+50)/5=30`-中位数：`30`（排序后中间值）-方差：`((10-30)²+(20-30)²+(30-30)²+(40-30)²+(50-30)²)/5=200`2.分类模型性能指标-真正例（TP）：2，真负例（TN）：1-假正例（FP）：1，假负例（FN）：1-准确率：`(2+1)/(2+1+1+1)=0.75`-精确率：`2/(2+1)=0.67`-召回率：`2/(2+1)=0.67`-F1分数：`20.670.67/(0.67+0.67)=0.67`3.线性回归预测-预测结果：`23+1=7`四、代码题答案1.数据清洗与预处理pythonimportpandasaspddata={'Name':['Alice','Bob','Charlie',None],'Age':[25,30,None,35],'Salary':[50000,60000,70000,None]}df=pd.DataFrame(data)处理缺失值df['Name'].fillna(df['Name'].mode()[0],inplace=True)df['Age'].fillna(df['Age'].median(),inplace=True)df['Salary'].fillna(df['Salary'].mean(),inplace=True)标准化Age和Salarydf['Age']=(df['Age']-df['Age'].mean())/df['Age'].std()df['Salary']=(df['Salary']-df['Salary'].mean())/df['Salary'].std()筛选年龄大于28的记录result=df[df['Age']>28]print(result)2.K-means聚类pythonimportnumpyasnpfromsklearn.clusterimportKMeansX=np.array([[1,2],[1,4],[