2025年1月数据分析技术模拟考试题+参考答案

2025年1月数据分析技术模拟考试题+参考答案一、单项选择题（每题2分，共20分）1.在处理某电商用户行为数据时，发现“支付金额”字段存在异常值（如-100元、99999元），最合理的处理方式是：A.直接删除所有异常值记录B.使用均值填充异常值C.结合业务逻辑判断异常类型后分别处理（如负值可能为退款，超大值可能为测试数据）D.将异常值统一替换为字段中位数2.某数据集包含“用户年龄”（连续型）、“会员等级”（1-5级，有序分类）、“购买次数”（离散型）、“是否复购”（二分类）四个字段，若需分析各变量对“是否复购”的影响，应优先选择的分析方法是：A.卡方检验（用户年龄与是否复购）B.方差分析（会员等级与是否复购）C.逻辑回归（多变量与是否复购）D.相关系数（购买次数与是否复购）3.以下关于数据可视化的描述，错误的是：A.箱线图适合展示连续型数据的分布和异常值B.热力图常用于展示多个变量间的相关系数矩阵C.折线图在时间序列分析中应优先按时间顺序排列横轴D.饼图适用于展示超过5个类别的比例分布4.某机器学习模型在训练集上的准确率为95%，在测试集上的准确率为60%，最可能的原因是：A.模型欠拟合B.模型过拟合C.训练集与测试集数据分布不一致D.标签数据存在大量错误5.对某短视频平台用户停留时长数据（单位：秒）进行描述性统计，得到均值为120，中位数为90，标准差为80，最可能的分布形态是：A.正态分布B.左偏分布（负偏态）C.右偏分布（正偏态）D.均匀分布6.若需分析“用户性别”（男/女）与“是否购买高端产品”（是/否）的关联性，应使用的统计检验方法是：A.t检验B.卡方检验C.F检验D.曼-惠特尼U检验7.在Python中使用Pandas处理数据时，若要将DataFrame中“注册时间”列（字符串格式：“2024-03-1514:30:00”）转换为datetime类型，正确的函数是：A.pd.to_datetime(df['注册时间'])B.df['注册时间'].astype('datetime64')C.pd.to_timedelta(df['注册时间'])D.df['注册时间'].apply(lambdax:datetime.strptime(x,'%Y-%m-%d%H:%M:%S'))8.某A/B测试中，实验组转化率为15%（样本量1000），对照组转化率为12%（样本量1000），若显著性水平α设为0.05，以下结论正确的是：A.由于转化率提升3个百分点，实验结果显著B.需计算p值，若p<0.05则拒绝原假设（两组无差异）C.样本量不足，无法得出有效结论D.应直接扩大样本量至5000后重新测试9.关于特征工程中的特征缩放，以下说法错误的是：A.决策树模型不需要特征缩放B.标准化（Z-score）适用于数据分布接近正态的场景C.归一化（Min-Max）会改变数据的原始分布范围D.逻辑回归模型必须进行特征缩放以避免梯度下降失效10.在使用Scikit-learn的RandomForestClassifier训练模型时，若希望降低模型复杂度以避免过拟合，可调整的参数是：A.n_estimators（树的数量）从100增加到200B.max_depth（树的最大深度）从None改为5C.min_samples_split（内部节点分裂所需最小样本数）从2改为1D.bootstrap（是否有放回抽样）从True改为False二、填空题（每空2分，共20分）1.数据清洗中处理缺失值的常用方法包括删除法、______和______（需列举两种非删除类方法）。2.假设检验中，原假设（H0）是“两组用户转化率无差异”，若实际无差异但错误拒绝H0，属于______错误（填“第一类”或“第二类”）。3.时间序列分析中，ARIMA模型的三个参数(p,d,q)分别代表______、差分阶数和移动平均阶数。4.在混淆矩阵中，真阳性（TP）=80，假阳性（FP）=20，真阴性（TN）=100，假阴性（FN）=50，则精确率（Precision）为______（保留两位小数）。5.Python中，使用Seaborn绘制分类变量的计数图应调用______函数；绘制两个连续变量的散点图并添加趋势线应调用______函数。6.某数据集的基尼系数（GiniImpurity）为0.45，若按某特征分裂后，左子节点基尼系数0.3，样本占比40%；右子节点基尼系数0.2，样本占比60%，则该分裂的信息增益为______。7.关联规则分析中，支持度（Support）的计算公式是______（用文字描述）。三、简答题（每题10分，共30分）1.简述特征工程的主要步骤及各步骤的核心目标。2.对比KNN（K近邻）算法与SVM（支持向量机）在分类任务中的优缺点，结合具体场景说明适用情况。3.某公司需分析“用户使用APP首月内的留存率”，请设计数据指标体系（至少包含5个关键指标），并说明各指标的计算逻辑及业务意义。四、编程题（20分）请使用Python完成以下任务（需给出完整代码并添加必要注释）：背景：某在线教育平台提供AI课程，现有用户行为数据集（data.csv），字段包括：用户ID、注册时间（datetime）、性别（男/女）、年龄（整数）、试看时长（分钟，连续型）、购买课程（0=未购买，1=购买）、日均活跃时长（分钟，连续型）、完成试看章节数（整数，0-8）。任务：（1）读取数据并进行基础清洗：删除“用户ID”列；处理“年龄”字段的缺失值（缺失率5%，假设缺失原因为随机缺失）；检测并处理“试看时长”字段的异常值（定义为超过均值±3倍标准差的值）。（2）构建分类模型预测用户是否购买课程（目标变量为“购买课程”），要求：选择逻辑回归或随机森林模型（二选一）；进行特征工程（至少包含类别特征编码、连续特征分箱、特征衍生中的两种）；划分训练集与测试集（测试集占比20%）；输出模型在测试集上的准确率、精确率、召回率、F1值。五、综合分析题（10分）某新能源汽车品牌2024年Q3销售数据显示，其A型号车在一线城市的销量同比下降15%，而二三线城市销量同比增长25%。请设计分析方案，探究销量差异的原因（需包含数据收集方向、关键分析维度、可能的结论假设及验证方法）。参考答案--一、单项选择题1.C2.C3.D4.B5.C6.B7.A8.B9.D10.B二、填空题1.均值/中位数/众数填充；回归预测填充（或插值法、多重插补等）2.第一类3.自回归阶数4.0.80（计算：TP/(TP+FP)=80/(80+20)=0.8）5.sns.countplot；sns.regplot6.0.45(0.3×0.4+0.2×0.6)=0.450.24=0.217.包含某规则前件和后件的事务数占总事务数的比例三、简答题1.特征工程主要步骤及目标：（1）特征理解：通过描述性统计、可视化分析各特征的分布、缺失率、异常值，明确特征与目标变量的潜在关系（目标：掌握数据全貌）。（2）特征清洗：处理缺失值（填充/删除）、异常值（修正/删除）、重复值（去重），确保数据质量（目标：提升数据可靠性）。（3）特征构建：通过组合、转换（如时间特征提取“星期几”“是否工作日”）、业务规则（如“客单价=总消费/订单数”）提供新特征（目标：挖掘隐藏信息）。（4）特征选择：使用统计检验（如卡方检验、F检验）、模型重要性（如随机森林特征重要度）或正则化（如L1正则）筛选关键特征（目标：降低维度，减少过拟合）。（5）特征缩放：对连续特征进行标准化或归一化，确保模型训练稳定性（目标：提升模型收敛速度与效果）。2.KNN与SVM对比：优点：KNN：无需训练过程（惰性学习），对非线性边界适应力强，解释性较好（决策由近邻样本直接决定）。SVM：通过核函数处理高维非线性问题，专注于最大化分类间隔，对小样本数据泛化能力强，抗过拟合能力较好。缺点：KNN：计算复杂度高（预测时需计算所有样本距离），对噪声和非平衡数据敏感，特征尺度影响大（需严格缩放）。SVM：核函数选择和参数调优复杂，对大样本数据训练时间长，解释性较差（决策边界由支持向量决定，难以直观理解）。适用场景：KNN适用于小样本、低维度、数据分布简单的场景（如客户分群中的初步分类）；SVM适用于高维、小样本、非线性关系显著的场景（如文本分类、生物信息学中的基因分类）。3.首月留存率指标体系设计：（1）次日留存率：注册后第2天活跃用户数/注册用户数；衡量产品核心功能的即时吸引力。（2）7日留存率：注册后第7天活跃用户数/注册用户数；反映用户对产品长期价值的认可。（3）功能使用率：首月内使用过至少3项核心功能的用户数/注册用户数；衡量用户对产品功能的深度参与。（4）日均活跃时长：首月内用户日均使用APP的时间（分钟）；反映用户粘性与产品内容吸引力。（5）付费转化率：首月内购买过增值服务的用户数/注册用户数；衡量用户从活跃到变现的转化效率。四、编程题```pythonimportpandasaspdimportnumpyasnpfromsklearn.model_selectionimporttrain_test_splitfromsklearn.ensembleimportRandomForestClassifier选择随机森林模型fromsklearn.metricsimportaccuracy_score,precision_score,recall_score,f1_scorefromsklearn.preprocessingimportOneHotEncoderfromposeimportColumnTransformer（1）数据清洗df=pd.read_csv('data.csv')删除用户ID列df=df.drop('用户ID',axis=1)处理年龄缺失值（用中位数填充）df['年龄']=df['年龄'].fillna(df['年龄'].median())处理试看时长异常值（均值±3倍标准差）mean=df['试看时长'].mean()std=df['试看时长'].std()lower=mean3stdupper=mean+3std将异常值替换为上下限（缩尾处理）df['试看时长']=np.where(df['试看时长']<lower,lower,df['试看时长'])df['试看时长']=np.where(df['试看时长']>upper,upper,df['试看时长'])（2）特征工程与模型构建类别特征编码（性别为类别变量，使用独热编码）encoder=OneHotEncoder(sparse_output=False,drop='first')去除冗余列preprocessor=ColumnTransformer(transformers=[('cat',encoder,['性别'])],remainder='passthrough'其余特征保留)encoded_data=preprocessor.fit_transform(df)获取特征名称（用于后续分析）encoded_features=preprocessor.get_feature_names_out()df_encoded=pd.DataFrame(encoded_data,columns=encoded_features)特征衍生：计算“试看完成率”=完成试看章节数/8（总章节数）df_encoded['试看完成率']=df_encoded['完成试看章节数']/8划分特征与目标变量X=df_encoded.drop('购买课程',axis=1)y=df_encoded['购买课程']X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)训练随机森林模型model=RandomForestClassifier(n_estimators=100,max_depth=5,random_state=42)model.fit(X_train,y_train)模型评估y_pred=model.predict(X_test)print(f"准确率：{accuracy_score(y_test,y_pred):.4f}")print(f"精确率：{precision_score(y_test,y_pred):.4f}")print(f"召回率：{recall_score(y_test,y_pred):.4f}")print(f"F1值：{f1_score(y_test,