数据分析师面试要点与评测标准

2026年数据分析师面试要点与评测标准一、选择题（共5题，每题2分，总计10分）1.题目：在处理缺失值时，以下哪种方法在数据量较大且缺失比例不高的情况下通常效果最佳？A.删除含有缺失值的行B.填充均值或中位数C.使用模型预测缺失值D.保持原样不做处理答案：B解析：均值或中位数填充适用于数据量大且缺失比例不高的情况，能保留大部分信息。删除行会导致数据丢失，模型预测缺失值计算复杂且可能引入误差，保持原样则无法处理缺失问题。2.题目：以下哪种指标最适合衡量分类模型的预测准确性？A.AUC（ROC曲线下面积）B.F1分数C.变异系数（CV）D.决定系数（R²）答案：B解析：F1分数综合考虑精确率和召回率，适用于类别不平衡场景。AUC衡量模型区分能力，CV用于回归模型评估，R²也用于回归模型。3.题目：在进行用户分群时，以下哪种算法在处理高维稀疏数据时表现最稳定？A.K-MeansB.层次聚类C.DBSCAND.谱聚类答案：C解析：DBSCAN对噪声不敏感，适合稀疏高维数据，无需预设簇数。K-Means对初始中心敏感，层次聚类计算复杂，谱聚类适用于图结构数据。4.题目：以下哪个SQL语句能有效检测数据库中的重复记录？A.`SELECTFROMtableGROUPBYall_columnsHAVINGCOUNT()>1`B.`SELECTFROMtableWHEREidIN(SELECTidFROMtableGROUPBYall_columnsHAVINGCOUNT()>1)`C.`SELECTid,COUNT()FROMtableGROUPBYall_columnsHAVINGCOUNT()>1`D.`SELECTDISTINCTFROMtable`答案：A解析：选项A通过分组统计所有列，筛选出重复记录。选项B和C逻辑错误，选项D仅返回唯一记录。5.题目：在Python中，以下哪个库最适合进行时间序列分析？A.PandasB.MatplotlibC.Scikit-learnD.TensorFlow答案：A解析：Pandas提供强大的时间序列处理功能（如`resample`、`rolling`），Matplotlib用于绘图，Scikit-learn用于机器学习，TensorFlow用于深度学习。二、简答题（共4题，每题5分，总计20分）1.题目：简述数据清洗中常见的5种问题及其解决方法。答案：1.缺失值：均值/中位数填充、众数填充、模型预测（如KNN）、删除行（数据量大时）。2.异常值：3σ法则、箱线图检测、分位数法处理（替换/删除）。3.重复值：SQL分组统计或Python`duplicated()`检测，删除重复行。4.格式不一致：标准化日期格式（Python`pd.to_datetime`）、统一文本编码（如UTF-8）。5.数据不一致：业务规则校验（如年龄>120则修正）、逻辑检查（如销售额为负则排除）。2.题目：解释什么是特征工程，并举例说明其重要性。答案：特征工程是将原始数据转化为机器学习模型可用特征的过程，包括特征提取、转换和降维。重要性案例：-电商场景：将用户浏览时长拆分为“日间/夜间”时段，模型能更精准预测购买倾向。-金融风控：通过“年龄收入”计算“负债收入比”，比单一收入更有效预测违约风险。3.题目：在数据可视化中，如何选择合适的图表类型？答案：1.分类数据：条形图（频次）、饼图（占比，避免超过5类）。2.时间序列：折线图（趋势）、面积图（累积趋势）。3.关系分析：散点图（相关性）、热力图（矩阵数据）。4.分布分析：直方图（连续数据频率）、箱线图（异常值检测）。原则：清晰传达信息，避免误导（如避免3D柱状图）。4.题目：描述A/B测试的基本流程及其在业务中的应用场景。答案：流程：1.定义目标（如转化率提升）；2.分组（随机分配用户至对照组/实验组）；3.收集数据（如点击率、留存率）；4.分析结果（统计显著性检验，如t检验）；5.决策（推广或调整方案）。应用场景：-电商优化按钮颜色（如红色vs蓝色）；-App推送文案测试；-产品功能可用性验证。三、实操题（共2题，每题10分，总计20分）1.题目：假设你收到一份2025年Q3某城市外卖平台订单数据（CSV格式），包含`用户ID、订单时间、金额、骑手评分`等列。请用Python（Pandas）完成以下任务：（1）计算每日订单平均金额及中位数；（2）筛选出金额超过500的订单，统计其骑手评分分布（分桶：1-2,2-3,3-4,4-5）；（3）输出结果为DataFrame格式。答案：pythonimportpandasaspdimportnumpyasnp读取数据df=pd.read_csv('orders_2025Q3.csv')df['订单时间']=pd.to_datetime(df['订单时间'])（1）每日统计daily_stats=df.groupby(df['订单时间'].dt.date)['金额'].agg(['mean','median'])print("每日平均金额与中位数：\n",daily_stats)（2）金额超过500的订单评分分布high_value=df[df['金额']>500]bins=[1,2,3,4,6]labels=['1-2','2-3','3-4','4-5']high_value['评分分桶']=pd.cut(high_value['骑手评分'],bins=bins,labels=labels)rating_dist=high_value['评分分桶'].value_counts().sort_index()print("\n金额>500的骑手评分分布：\n",rating_dist)（3）输出为DataFrameresult=pd.DataFrame({'评分分桶':rating_dist.index,'订单数':rating_dist.values})print("\n结果DataFrame：\n",result)2.题目：使用假设数据，编写SQL查询：（1）某App用户每月活跃天数占比（活跃定义为当天至少登录1次）；（2）按城市分组统计平均活跃天数占比，结果排序。答案：sql--假设表：user_activity(id,city,login_date)--示例数据：--INSERTINTOuser_activityVALUES(1,'北京','2025-10-01'),(1,'北京','2025-10-05'),...--（1）每月活跃天数占比WITHmonthly_loginAS(SELECTid,EXTRACT(YEARFROMlogin_date)ASyear,EXTRACT(MONTHFROMlogin_date)ASmonth,COUNT(DISTINCTlogin_date)AStotal_days,SUM(CASEWHENlogin_dateBETWEENDATE_TRUNC('month',login_date)ANDDATE_TRUNC('month',login_date)+INTERVAL'1month'-INTERVAL'1day'THEN1ELSE0END)ASactive_daysFROMuser_activityGROUPBYid,year,month),占比AS(SELECTid,year,month,active_days100.0/total_daysASactive_percentageFROMmonthly_login)SELECTFROM占比ORDERBYid,year,month;--（2）按城市分组统计SELECTcity,AVG(active_percentage)ASavg_active_percentageFROM占比GROUPBYcityORDERBYavg_active_percentageDESC;四、开放题（共1题，15分）题目：假设你是某新零售公司的数据分析师，2026年公司计划在一线城市开设100家新店。请结合以下假设数据：-门店地址（商圈类型、人口密度）、开业前3个月周边竞品数量、-开业后6个月销售额、客流量，设计一个数据驱动的新店选址方案，并说明关键分析步骤。答案：方案设计：1.数据准备：整合门店地址（爬取地图API获取商圈类型、人口密度）、竞品数据（爬取电商平台API）、销售数据（POS系统导出）。2.核心指标定义：-潜力评分：商圈类型（核心>次核心>社区）×人口密度（高>中>低）×竞品数量（≤3为高潜力）。-风险控制：考虑地铁覆盖、同品类门店密度（如3km内＞5家则高风险）。3.分析步骤：-区域筛选：绘制商圈热力图，优先选择核心商圈且地铁沿线的区域。-多因素评分：用Python计算每个候选点的潜力评分，排序前30个区域。-竞品分析：对高潜力区