银行编程考试题目及答案

银行实用编程考试题目及答案（Python+SQL）说明：本试卷适配银行科技岗、数据岗等需编程能力的职位招录考核，聚焦Python实操、SQL数据处理、银行核心业务编程场景三大模块，满分150分，考试时间120分钟。答案附详细代码解析及业务适配说明，助力精准备考。核心模块：Python基础及银行数据处理、SQL银行业务数据查询与统计、编程在存款/贷款/风控场景的实用应用。第一部分单项选择题（每题3分，共30分）每题只有一个正确答案，将正确选项序号填涂在答题卡对应位置。1.银行数据处理中，需对客户身份证号进行脱敏（保留前6位和后4位，中间用*替换），下列Python代码片段正确的是（）A.defdesensitize_id(id_card):returnid_card[:6]+'*'*8+id_card[-4:]B.defdesensitize_id(id_card):returnid_card[6:]+'*'*8+id_card[:4]C.defdesensitize_id(id_card):returnid_card[:6]+'*'*6+id_card[-4:]D.defdesensitize_id(id_card):returnid_card[:4]+'*'*8+id_card[-6:]2.下列SQL语句中，可查询某银行2024年第四季度（10-12月）个人存款总额大于10万元的客户信息（表名：personal_deposit，字段：cust_id、cust_name、deposit_amount、create_month）的是（）A.SELECTcust_id,cust_nameFROMpersonal_depositWHEREcreate_monthBETWEEN10AND12ANDdeposit_amount>100000;B.SELECTcust_id,cust_nameSUM(deposit_amount)FROMpersonal_depositWHEREcreate_monthIN(10,11,12)GROUPBYcust_id,cust_nameHAVINGSUM(deposit_amount)>100000;C.SELECTcust_id,cust_nameFROMpersonal_depositWHEREcreate_monthBETWEEN10AND12GROUPBYcust_id,cust_nameHAVINGdeposit_amount>100000;D.SELECTcust_id,cust_nameSUM(deposit_amount)AStotalFROMpersonal_depositWHEREcreate_month>12GROUPBYcust_id,cust_nameHAVINGtotal>100000;3.银行风控中，需计算客户近3个月平均交易金额，若Python中交易金额列表为amounts=[2500.50,3200.00,1800.75,4100.25]，下列代码计算结果正确的是（）A.sum(amounts[-3:])/3B.sum(amounts[:3])/3C.sum(amounts)/len(amounts)D.max(amounts[-3:])-min(amounts[-3:])4.下列关于Python操作Excel银行流水数据的说法，错误的是（）A.可使用pandas库的read_excel()方法读取Excel文件B.to_excel()方法可将处理后的数据写入ExcelC.读取超大流水文件时，需设置chunksize参数分块处理D.pandas无法处理Excel中的合并单元格数据5.某银行贷款表（loan_info）含字段：loan_id、cust_id、loan_amount、loan_rate、loan_term（期限，月），计算客户每月还款额（等额本息），核心公式为：每月还款额=贷款本金×月利率×(1+月利率)^期数÷[(1+月利率)^期数-1]，下列SQL函数适配正确的是（）A.loan_amount*(loan_rate/12)*POWER(1+loan_rate/12,loan_term)/(POWER(1+loan_rate/12,loan_term)-1)B.loan_amount*loan_rate*POWER(1+loan_rate,loan_term)/(POWER(1+loan_rate,loan_term)-1)C.loan_amount*(loan_rate/12)*(1+loan_rate/12)^loan_term/[(1+loan_rate/12)^loan_term-1]D.loan_amount*loan_rate/12/(1-(1+loan_rate/12)^(-loan_term))6.Python中处理银行日期数据时，需将字符串格式“2024-10-2514:30:00”转换为datetime对象，正确代码是（）A.datetime.strptime("2024-10-2514:30:00","%Y-%m-%d%H:%M:%S")B.datetime.parse("2024-10-2514:30:00")C.pd.to_datetime("2024-10-2514:30:00",format="%Y-%m-%d")D.datetime.strftime("2024-10-2514:30:00","%Y-%m-%d%H:%M:%S")7.下列SQL语句中，可删除银行流水表（bank_flow）中3个月前的历史数据（字段：trade_time，datetime类型）的是（）A.DELETEFROMbank_flowWHEREtrade_time<DATE_SUB(NOW(),INTERVAL3MONTH);B.DELETEFROMbank_flowWHEREtrade_time<NOW()-3;C.DROPFROMbank_flowWHEREtrade_time<DATE_SUB(NOW(),INTERVAL3MONTH);D.DELETE*FROMbank_flowWHEREtrade_time<DATEADD(NOW(),-3,MONTH);8.银行编程中，需对客户交易数据去重，确保同一笔交易（trade_id唯一）只保留一条记录，Python中使用pandas实现的核心代码是（）A.df.drop_duplicates(subset=['trade_id'],keep='first')B.df.duplicated(subset=['trade_id'])C.df.drop(subset=['trade_id'],axis=1)D.df.groupby('trade_id').count()9.某银行客户表（customer）含字段：cust_id、cust_name、gender、age、city，查询各城市男性客户平均年龄，正确SQL语句是（）A.SELECTcity,AVG(age)ASavg_ageFROMcustomerWHEREgender='男'GROUPBYcity;B.SELECTcity,AVG(age)ASavg_ageFROMcustomerGROUPBYcity,genderHAVINGgender='男';C.SELECTcity,AVG(age)ASavg_ageFROMcustomerGROUPBYcityWHEREgender='男';D.SELECTcity,SUM(age)/COUNT(age)ASavg_ageFROMcustomerWHEREgender='男'GROUPBYgender;10.下列关于银行编程安全的说法，正确的是（）A.可直接将客户密码明文存储在数据库中B.执行SQL查询时，使用字符串拼接方式构造SQL语句效率更高C.需对用户输入的交易金额进行合法性校验（如非负、数值类型）D.银行核心数据处理可使用非加密的HTTP协议传输第二部分多项选择题（每题4分，共20分，多选、少选、错选均不得分）请将正确选项序号填涂在答题卡对应位置。1.银行Python编程中，常用的数据分析与处理库包括（）A.pandasB.numpyC.requestsD.matplotlib2.下列属于银行SQL编程核心应用场景的有（）A.客户存款余额统计B.贷款逾期数据查询C.交易流水对账D.员工考勤管理3.银行编程中，处理大额交易数据时的优化方案包括（）A.Python分块读取数据，避免内存溢出B.SQL查询时建立索引，提升查询效率C.对冗余数据进行清洗，减少数据量D.采用并行计算，提高处理速度4.下列关于银行贷款业务编程的说法，正确的有（）A.需实现等额本金、等额本息两种常见还款方式的计算B.需校验贷款金额是否在银行规定的上下限范围内C.逾期罚息计算需结合逾期天数和罚息利率D.贷款期限可随意设置，无需关联客户资质5.银行编程中，客户身份信息脱敏的核心场景包括（）A.数据报表展示B.日志记录C.内部培训数据D.监管数据报送第三部分判断题（每题2分，共10分，正确的打“√”，错误的打“×”）请将答案填涂在答题卡对应位置。1.pandas库中，DataFrame的fillna()方法可用于填充银行数据中的缺失值，如用0填充缺失的交易金额。（）2.SQL中，UPDATE语句可修改银行客户表中的客户信息，无需加WHERE条件即可批量更新所有客户数据。（）3.Python中，使用try-except异常处理机制可捕获银行交易计算中的报错（如除数为0、数据类型错误），避免程序崩溃。（）4.银行流水数据中，trade_id字段可作为主键，确保每笔交易记录唯一且不重复。（）5.对银行客户交易数据进行排序时，Python的sort_values()方法和SQL的ORDERBY子句均可实现，且默认排序方式为降序。（）第四部分编程实操题（每题20分，共60分）请在答题卡指定区域作答，需写出完整代码，标注关键注释，结合银行业务场景说明逻辑；若有多种解法，可任选一种。题目1：Python实操（存款利息计算）某银行定期存款业务规则：1年期年利率1.5%，2年期年利率2.1%，3年期年利率2.75%，5年期年利率3.0%；若提前支取，按活期年利率0.3%计息，利息=本金×利率×存期（年）。请编写Python程序，实现以下功能：1.接收用户输入：本金（正浮点数）、存款期限（1/2/3/5，整数）、是否提前支取（Y/N）；2.校验输入合法性（本金>0，期限为指定值，提前支取为Y/N），若输入错误提示用户重新输入；3.计算应付利息及本息合计，保留2位小数；4.输出结果（示例：本金10000.00元，2年期定期存款，未提前支取，应付利息420.00元，本息合计10420.00元）。题目2：SQL实操（客户交易统计）现有银行两张表，表结构如下：客户表（customer）：cust_id（客户ID，主键）、cust_name（客户姓名）、cust_phone（客户手机号）；交易表（trade）：trade_id（交易ID，主键）、cust_id（客户ID，外键）、trade_amount（交易金额，正数为收入，负数为支出）、trade_time（交易时间，datetime）、trade_type（交易类型：1-存款，2-取款，3-转账）。请编写SQL语句，完成以下需求：1.查询2024年10月1日至2024年10月31日期间，有存款交易（trade_type=1）且累计存款金额大于5000元的客户信息（客户ID、姓名、手机号）及累计存款金额；2.按累计存款金额降序排序，若金额相同，按客户ID升序排序。题目3：Python+SQL综合实操（贷款逾期提醒）某银行贷款表（loan_overdue）含字段：loan_id（贷款ID）、cust_id（客户ID）、cust_name（客户姓名）、due_date（应还款日期，字符串格式“2024-10-25”）、overdue_days（逾期天数，整数）、overdue_amount（逾期金额，浮点数）。请编写Python代码，实现以下功能：1.读取该表数据（可模拟DataFrame数据，无需真实数据库连接）；2.筛选出逾期天数>30天且逾期金额>1000元的客户，标记为“高风险逾期客户”；3.按逾期金额降序排列，添加“提醒话术”列（示例：尊敬的张三先生/女士，您的贷款已逾期45天，逾期金额5200.00元，请及时还款，避免影响征信）；4.将筛选后的高风险客户数据，保存为Excel文件（文件名：high_risk_overdue_202410.xlsx）。第五部分案例分析编程题（30分）请结合银行风控业务场景，编写完整代码并分析逻辑，要求代码可运行、注释清晰，分析部分不少于200字。案例：某银行需对客户交易进行反欺诈初步筛查，筛查规则如下：1.单笔交易金额>50000元；2.同一客户当日交易次数≥5次；3.交易地点与客户常用城市（预设字典：cust_city={'1001':'北京','1002':'上海','1003':'广州','1004':'深圳'}）不一致；4.满足以上任意2条及以上，标记为“可疑交易”，需输出客户ID、交易次数、可疑原因。已知交易数据模拟如下（可直接用Python构造DataFrame）：trade_data={'cust_id':['1001','1001','1001','1002','1002','1003','1003','1004','1004','1004'],'trade_amount':[55000.00,2000.00,3000.00,60000.00,45000.00,25000.00,30000.00,52000.00,53000.00,10000.00],'trade_city':['北京','北京','天津','北京','上海','深圳','广州','杭州','深圳','深圳'],'trade_date':['2024-10-25','2024-10-25','2024-10-25','2024-10-25','2024-10-25','2024-10-25','2024-10-25','2024-10-25','2024-10-25','2024-10-25']}需求：编写Python代码，实现可疑交易筛查，输出筛查结果，并分析代码在银行实际应用中的优化方向。参考答案及解析第一部分单项选择题答案及解析1.答案：A解析：身份证号共18位，前6位+后4位=10位，中间需替换8位，A项格式正确；B、D项截取位数颠倒，C项中间替换位数不足。2.答案：B解析：需按客户分组统计总存款，HAVING过滤分组后结果，A项未统计总额，C项HAVING直接用原字段错误，D项月份条件错误。3.答案：A解析：近3个月取列表最后3个元素，sum求和后除以3，B项取前3个元素，C项求所有数据平均值，D项求极差，均不符合需求。4.答案：D解析：pandas可通过merge_cells参数处理合并单元格，D项说法错误；其余选项均为pandas操作Excel的正确用法。5.答案：A解析：等额本息公式需转换为月利率（年利率/12），SQL中幂运算用POWER函数，A项公式正确；B项未转换月利率，C项幂运算语法错误，D项公式推导错误。6.答案：A解析：strptime方法用于字符串转datetime，格式符匹配正确；B项parse方法非标准用法，C项格式符缺失时间部分，D项strftime用于datetime转字符串。7.答案：A解析：DATE_SUB函数用于日期减间隔，语法正确；B项日期计算方式错误，C项DROP用于删除表，D项DATEADD函数语法错误。8.答案：A解析：drop_duplicates方法可按指定字段去重，keep='first'保留第一条记录；B项返回重复标记，C项删除字段，D项分组统计，均不符合需求。9.答案：A解析：先筛选男性客户，再按城市分组求平均年龄，逻辑正确；B项分组冗余，C项WHERE在GROUPBY后语法错误，D项分组字段错误。10.答案：C解析：交易金额需校验合法性，避免非法输入，C项正确；A项密码需加密存储，B项字符串拼接易引发SQL注入，D项核心数据需用HTTPS加密传输。第二部分多项选择题答案及解析1.答案：ABD解析：pandas、numpy用于数据处理分析，matplotlib用于可视化；requests用于网络请求，非银行数据分析核心库。2.答案：ABC解析：存款统计、贷款逾期查询、流水对账均为银行SQL核心场景；员工考勤管理属于行政场景，非金融业务核心。3.答案：ABCD解析：分块读取、建立索引、数据清洗、并行计算均为大额交易数据处理的有效优化方案，可提升效率、避免内存问题。4.答案：ABC解析：等额本金和等额本息是主流还款方式，需校验贷款金额范围，逾期罚息按天数和利率计算；D项贷款期限需结合客户资质审核，不可随意设置。5.答案：ABCD解析：报表展示、日志记录、内部培训、监管报送均需对客户身份信息脱敏，保护客户隐私，符合监管要求。第三部分判断题答案及解析1.答案：√解析：fillna()方法可灵活填充缺失值，用0填充交易金额缺失值符合银行数据处理习惯。2.答案：×解析：UPDATE语句无WHERE条件会更新所有记录，易造成数据错误，银行操作中需严格加条件并校验。3.答案：√解析：try-except可捕获运行时异常，确保程序稳定运行，避免因数据错误导致业务中断。4.答案：√解析：trade_id作为主键，可唯一标识每笔交易，避免重复记录，符合银行数据规范。5.答案：×解析：两者默认排序方式均为升序（ASC），降序需手动指定DESC。第四部分编程实操题答案及解析题目1：Python实操（存款利息计算）参考答案代码：python

defcalculate_deposit_interest():

#定义存款利率字典（key：期限，value：年利率）

rate_dict={1:0.015,2:0.021,3:0.0275,5:0.030}

current_rate=0.003#活期年利率

#输入本金并校验（需为正浮点数）

whileTrue:

try:

principal=float(input("请输入存款本金（元）："))

ifprincipal>0:

break

else:

print("本金需大于0，请重新输入！")

exceptValueError:

print("输入格式错误，请输入正浮点数！")

#输入存款期限并校验（仅支持1/2/3/5年）

whileTrue:

try:

term=int(input("请输入存款期限（1/2/3/5年）："))

ifterminrate_dict.keys():

break

else:

print("期限仅支持1/2/3/5年，请重新输入！")

exceptValueError:

print("输入格式错误，请输入整数！")

#输入是否提前支取并校验（仅支持Y/N）

whileTrue:

early_withdraw=input("是否提前支取（Y/N）：").upper()

ifearly_withdrawin['Y','N']:

break

else:

print("输入错误，请输入Y或N！")

#计算利息和本息合计（保留2位小数）

ifearly_withdraw=='Y':

#提前支取按活期计息，存期简化按1年计算

interest=round(principal*current_rate*1,2)

else:

#定期存款计息：本金×年利率×期限

interest=round(principal*rate_dict[term]*term,2)

total=round(principal+interest,2)

#输出结果（格式化展示）

status="提前支取"ifearly_withdraw=='Y'else"未提前支取"

print(f"本金{principal:.2f}元，{term}年期定期存款，{status}，应付利息{interest:.2f}元，本息合计{total:.2f}元")

#调用函数执行

calculate_deposit_interest()解析：代码通过三层循环实现输入合法性校验，规避非法数据导致程序崩溃；严格遵循银行存款计息规则，区分定期与提前支取场景，结果保留2位小数符合金融数据精度要求。代码结构清晰，注释完整，可直接对接银行存款业务的基础计息需求。题目2：SQL实操（客户交易统计）参考答案SQL语句：sql

SELECT

c.cust_id,

c.cust_name,

c.cust_phone,

SUM(t.trade_amount)AStotal_deposit--累计存款金额

FROM

customerc

INNERJOIN

tradetONc.cust_id=t.cust_id--关联客户表与交易表

WHERE

t.trade_timeBETWEEN'2024-10-0100:00:00'AND'2024-10-3123:59:59'--限定10月交易

ANDt.trade_type=1--筛选存款交易（trade_type=1）

GROUPBY

c.cust_id,c.cust_name,c.cust_phone--按客户分组

HAVING

SUM(t.trade_amount)>5000--过滤累计存款超5000元的客户

ORDERBY

total_depositDESC,c.cust_idASC;--按金额降序、客户ID升序排序解析：采用INNERJOIN关联两张表，确保仅查询有存款交易的客户；WHERE条件精准限定时间范围和交易类型，GROUPBY按客户维度分组统计，HAVING过滤分组后结果（需用聚合函数，不可直接用原字段）；排序逻辑完全匹配需求，适配银行月度存款客户统计场景，兼容MySQL、Oracle等主流数据库。题目3：Python+SQL综合实操（贷款逾期提醒）参考答案代码：python

importpandasaspd

#模拟贷款逾期数据（替代数据库读取，实际可通过pandas.read_sql查询）

loan_data={

'loan_id':['L001','L002','L003','L004','L005'],

'cust_id':['C001','C002','C003','C004','C005'],

'cust_name':['张三','李四','王五','赵六','孙七'],

'due_date':['2024-09-01','2024-08-15','2024-10-20','2024-07-05','2024-10-10'],

'overdue_days':[45,28,5,100,35],

'overdue_amount':[5200.00,800.00,3000.00,15000.00,1200.00]

}

df=pd.DataFrame(loan_data)

#筛选高风险逾期客户（逾期天数>30且逾期金额>1000元）

high_risk_df=df[(df['overdue_days']>30)&(df['overdue_amount']>1000)]

#添加个性化提醒话术列

high_risk_df['提醒话术']=high_risk_df.apply(

lambdax:f"尊敬的{x['cust_name']}先生/女士，您的贷款已逾期{x['overdue_days']}天，逾期金额{x['overdue_amount']:.2f}元，请及时还款，避免影响征信",

axis=1#按行应用函数

)

#按逾期金额降序排列

high_risk_df=high_risk_df.sort_values('overdue_amount',ascending=False)

#保存为Excel文件（不保留索引，避免冗余）

high_risk_df.to_excel('high_risk_overdue_202410.xlsx',index=False)

#打印结果预览

print("高风险逾期客户数据已保存至Excel，数据预览如下：")

print(high_risk_df[['cust_id','cust_name','overdue_days','overdue_amount','提醒话术']])解析：代码先模拟数据库数据（实际业务中可通过pandas.read_sql对接数据库），用布尔索引精准筛选高风险客户；通过apply方法生成个性化提醒话术，贴合银行催收场景需求；保存Excel文件时取消索引，确保数据整洁；整体逻辑从数据读取、筛选、处理到输出形成闭环，可直接用于银行逾期客户管理工作。第五部分案例分析编程题答案及解析参考答案代码：python

importpandasaspd

#预设客户常用城市字典（key：客户ID，value：常用城市）

cust_city={'1001':'北京','1002':'上海','1003':'广州','1004':'深圳'}

#构造交易数据（模拟从数据库获取的当日交易记录）

trade_data={

'cust_id':['1001','1001','1001','1002','1002','1003','1003','1004','1004','1004'],

'trade_amount':[55000.00,2000.00,3000.00,60000.00,45000.00,25000.00,30000.00,52000.00,53000.00,10000.00],

'trade_city':['北京','北京','天津','北京','上海','深圳','广州','杭州','深圳','深圳'],

'trade_date':['2024-10-25']*10#当日交易，简化赋值

}

df=pd.DataFrame(trade_data)

#步骤1：统计同一客户当日交易次数

cust_trade_count=df.groupby('cust_id')['trade_date'].count().reset_index(name='trade_count')

df=pd.merge(df,cust_trade_count,on='cust_id')#合并交易次数至原数据

#步骤2：逐条判断是否触发筛查规则

df['rule1']=df['trade_amount']>50000#规则1：单笔大额交易（>5万元）

df['rule2']=df['trade_count']>=5#规则2：当日交易次数过多（≥5次）

#规则3：交易地点与常用城市不一致

df['rule3']=df.apply(lambdax:x['trade