(2025年)数据分析基础测试题附答案解析

(2025年)数据分析基础测试题附答案解析一、单项选择题（每题2分，共20分）1.某电商平台2023年用户年龄数据中，均值为28岁，中位数为26岁，众数为24岁，说明数据分布可能呈现（）。A.正态分布B.左偏分布C.右偏分布D.均匀分布2.若两组变量的Pearson相关系数为0.85，说明两者之间（）。A.无线性相关关系B.弱正相关C.强正相关D.强负相关3.以下数据类型中，属于定比数据的是（）。A.用户性别（男/女）B.商品评分（1-5星）C.温度（℃）D.销售额（万元）4.假设检验中，“拒绝实际成立的原假设”属于（）。A.第I类错误B.第II类错误C.正确决策D.无法判断5.数据清洗时，以下操作不属于处理异常值的是（）。A.用Z-score法识别并删除极端值B.用均值替换明显错误的记录C.检查并修正数据录入错误D.对缺失值进行线性插值6.分析某品牌2020-2023年各季度销售额变化趋势，最适合的可视化图表是（）。A.柱状图B.折线图C.散点图D.箱线图7.在Excel中，若需根据A列“商品ID”在B列查找匹配的“商品名称”，应使用的函数是（）。A.VLOOKUP(A1,查找区域,列号,0)B.SUMIF(A1,条件,求和区域)C.IFERROR(A1,"错误")D.COUNTIF(A1,条件)8.使用SPSS进行信度分析时，Cronbach’sα系数为0.65，说明量表（）。A.信度极佳B.信度良好C.信度一般D.信度不可接受9.以下SQL语句中，用于合并两个表中共有记录的是（）。A.LEFTJOINB.RIGHTJOINC.INNERJOIND.FULLOUTERJOIN10.某数据集的偏度（Skewness）为-1.2，说明数据分布（）。A.左偏且尾部较长B.右偏且尾部较长C.对称分布D.均匀分布二、填空题（每题3分，共15分）1.若两组数据的协方差为12，第一组数据标准差为4，第二组为3，则相关系数为______。2.卡方检验主要用于分析______变量之间的______关系。3.数据仓库的四大特性是面向主题、集成性、______和______。4.混淆矩阵中，准确率的计算公式为______（用TP、TN、FP、FN表示）。5.A/B测试的核心假设是两组样本需满足______和______。三、简答题（每题8分，共40分）1.简述数据清洗中处理缺失值的主要方法及其适用场景。2.解释“辛普森悖论”并举例说明。3.数据标准化（Z-score）与归一化（Min-Max）的区别是什么？各自适用场景如何？4.箱线图由哪些部分构成？其主要作用是什么？5.假设检验的基本步骤包括哪些？四、应用题（每题15分，共45分）1.某超市2023年销售数据表（字段：订单ID、日期、商品类别、销售额、顾客ID），需用SQL查询“2023年各商品类别月均销售额，且月均销售额超过5万元的类别”，写出完整SQL语句（需包含日期格式转换）。2.某网站用户行为数据中，“访问时长”字段存在以下问题：部分记录为0秒（可能未成功跳转），部分记录为9999秒（明显异常），部分记录缺失。请设计一套处理该字段的完整流程，并说明每一步的合理性。3.下图为某品牌2023年线上与线下渠道销售额对比图（纵轴起始值为100万元），指出图表设计中的问题，并提出改进建议。答案及解析一、单项选择题1.答案：C解析：均值>中位数>众数时，数据分布呈现右偏（正偏），右侧有较长的尾巴，拉高了均值。2.答案：C解析：Pearson相关系数绝对值在0.8-1.0之间为强相关，正值表示正相关，因此为强正相关。3.答案：D解析：定比数据有绝对零点且可进行四则运算，销售额（万元）符合；性别是名义数据，评分是定序数据，温度（℃）是定距数据（无绝对零点）。4.答案：A解析：假设检验中，第I类错误（α错误）是拒绝了实际成立的原假设；第II类错误（β错误）是接受了实际不成立的原假设。5.答案：D解析：线性插值用于处理缺失值，而非异常值；异常值处理包括识别（如Z-score）、修正（如用上下限替换）或删除。6.答案：B解析：折线图适合展示时间序列的趋势变化，能清晰反映各季度销售额的连续波动。7.答案：A解析：VLOOKUP函数用于按列查找匹配值，参数“0”表示精确匹配，符合根据商品ID查找名称的需求。8.答案：C解析：Cronbach’sα系数≥0.8为信度良好，0.7-0.8为可接受，0.6-0.7为一般，<0.6不可接受，因此0.65属于一般。9.答案：C解析：INNERJOIN仅保留两个表中键值匹配的记录（交集）；LEFTJOIN保留左表所有记录，RIGHTJOIN保留右表所有记录，FULLOUTERJOIN保留全部记录。10.答案：A解析：偏度为负表示左偏（负偏），数据左侧有较长的尾巴，极端值集中在左侧。二、填空题1.1解析：相关系数r=协方差/(σ₁×σ₂)=12/(4×3)=1。2.分类；独立性解析：卡方检验用于检验两个或多个分类变量之间是否存在显著关联（独立性检验）。3.非易失性；时变性（或随时间变化）解析：数据仓库存储历史数据（非易失），并定期更新以反映时间变化（时变性）。4.(TP+TN)/(TP+TN+FP+FN)解析：准确率是正确分类的样本占总样本的比例。5.随机分组；独立同分布解析：A/B测试要求两组样本随机分配以避免偏差，且满足独立同分布以保证统计检验有效性。三、简答题1.答案要点处理方法及适用场景：-删除法：当缺失值比例极低（如<5%）且缺失无规律性时，直接删除缺失记录，避免影响整体数据分布。-替换法：数值型变量用均值、中位数或众数填充（均值受异常值影响，中位数更稳健）；分类变量用众数填充；若数据有时间/空间相关性，可用前后值或相邻值填充（如前向填充）。-插值法：如线性插值（适用于时间序列）、KNN插值（利用相似样本填充），适用于缺失值与其他变量存在相关性的场景。-模型预测：用其他变量训练模型预测缺失值，适用于缺失值较多且与其他变量强相关时（如用回归模型填充年龄缺失值）。2.答案要点辛普森悖论指分组数据与整体数据的趋势相反的现象，通常由混杂变量（如样本量差异）导致。示例：某药物在男性和女性分组中有效率均低于安慰剂（男性：药物组60%vs安慰剂70%；女性：药物组30%vs安慰剂40%），但整体有效率药物组（50%）高于安慰剂（45%）。原因是药物组中男性占比更高（男性样本量远大于女性），而男性本身康复率更高，导致整体趋势反转。3.答案要点区别：-标准化（Z-score）：将数据转换为均值为0、标准差为1的分布，公式为(x-μ)/σ，保留数据的原始分布形态。-归一化（Min-Max）：将数据缩放到[0,1]区间（或其他固定范围），公式为(x-min)/(max-min)，改变数据的分布范围。适用场景：-标准化适用于数据存在异常值或需要消除量纲影响（如回归分析、PCA）；-归一化适用于需要保留数据原始范围（如神经网络输入层）或数据分布未知时。4.答案要点构成：箱线图由下四分位数（Q1）、中位数（Q2）、上四分位数（Q3）、whisker（Q1-1.5IQR到Q3+1.5IQR）和异常值（超出whisker的点）组成，其中IQR=Q3-Q1。作用：直观展示数据的集中趋势（中位数）、离散程度（IQR）、分布对称性及异常值，便于多组数据的对比分析（如不同地区销售额的分布差异）。5.答案要点步骤：①设定原假设（H₀）和备择假设（H₁）；②选择显著性水平α（如0.05）；③确定检验统计量（如Z检验、t检验）；④计算样本统计量并确定P值；⑤比较P值与α，若P≤α则拒绝H₀，否则不拒绝H₀；⑥结合实际问题给出结论（如“某策略对销售额有显著影响”）。四、应用题1.答案示例```sqlSELECT商品类别,AVG(月销售额)AS月均销售额FROM(SELECT商品类别,DATE_FORMAT(日期,'%Y-%m')AS月份,SUM(销售额)AS月销售额FROM销售数据表WHERE日期BETWEEN'2023-01-01'AND'2023-12-31'GROUPBY商品类别,DATE_FORMAT(日期,'%Y-%m'))AS月销售额统计GROUPBY商品类别HAVING月均销售额>50000;```解析：子查询先按商品类别和月份分组计算月销售额，外层查询再按商品类别计算月均销售额，最后用HAVING筛选月均超5万元的类别。2.答案要点处理流程：①识别异常值：计算“访问时长”的IQR（Q3-Q1），定义异常值范围为Q1-1.5IQR至Q3+1.5IQR，标记超出范围的值（如9999秒）；同时识别0秒记录（可能为未成功访问）。②处理0秒记录：若0秒占比低（如<3%），直接删除；若占比高，检查是否为系统记录错误（如跳转失败），可结合“页面浏览量”字段，若浏览量≥1则修正为合理最小值（如1秒），否则删除。③处理9999秒：属于极端异常值，可能为系统错误（如超时记录），用Q3+1.5IQR替换（保留分布特征），或用同类别（如用户类型）的均值/中位数填充。④处理缺失值：若缺失值与“访问页面”相关（如某些页面易导致记录失败），可用KNN插值法（基于同页面、同时间段的其他记录）填充；若缺失无规律且占比低，直接删除。3