2026年数据分析师招聘笔试试题及答案

2026年数据分析师招聘笔试试题及答案一、单项选择题（每题2分，共20分）1.某电商公司2025年12月订单表包含字段order_id、user_id、sku_id、price、qty、order_date。现需计算当月“人均消费件单价”，下列SQL写法正确的是A.SELECTSUM(priceqty)/COUNT(DISTINCTuser_id)FROMordersB.SELECTAVG(priceqty)FROMordersC.SELECTSUM(priceqty)/COUNT()FROMordersD.SELECTAVG(price)FROMorders答案：A解析：人均消费件单价=总销售额/去重用户数，需先求priceqty再聚合。2.在Python中，对DataFramedf按列A分组后求列B的Top3频次值，正确写法是A.df.groupby('A')['B'].value_counts().groupby(level=0).head(3)B.df.groupby('A')['B'].apply(lambdax:x.value_counts().head(3))C.df.groupby('A')['B'].agg(lambdax:x.value_counts().head(3))D.df.groupby('A')['B'].nlargest(3)答案：B解析：先按A分组，再对每组B做value_counts，取每组Top3，返回多级Series。3.某模型在训练集AUC=0.98，验证集AUC=0.72，测试集AUC=0.71，最可能的问题是A.特征泄露B.欠拟合C.样本不平衡D.标签错误答案：A解析：训练集远高于验证/测试，且差距巨大，典型特征泄露。4.时间序列数据呈现“趋势+季节+噪声”，使用STL分解后，欲对季节项做预测，最佳方法是A.季节NaïveB.Holt-Winters乘法C.SARIMAD.Prophet答案：C解析：STL已将季节项单独剥离，SARIMA可对剥离后的季节项建模并外推。5.在AB实验中，若检验指标为连续型，样本量计算公式中不影响最小样本量的是A.显著性水平αB.检验效能1-βC.指标方差D.实验周期答案：D解析：周期长短影响收集速度，但不进入样本量公式。6.使用LightGBM时，为了抑制过拟合，下列参数组合最合理的是A.max_depth=15,num_leaves=400,min_data_in_leaf=1B.max_depth=6,num_leaves=50,min_data_in_leaf=20,reg_lambda=1C.learning_rate=0.9,n_estimators=10D.subsample=0.1,colsample_bytree=0.1答案：B解析：降低树复杂度、增加叶节点最小样本、加正则，均为抑制过拟合手段。7.某日志表每日增量约200GB，需按user_id做近30天去重统计，最节省资源的方案是A.每日全表扫描后去重B.使用Bitmap精确去重C.使用HyperLogLog近似去重D.使用布隆过滤器+每日merge答案：C解析：HyperLogLog误差可控，内存占用极低，适合大数据量近似去重。8.在Tableau中，将日期字段拖至列功能区后默认聚合为“年”，若需展示连续日，应A.右键→精确日期B.右键→离散日期C.拖至详细信息D.改为字符串答案：A解析：精确日期为连续型，可形成连续轴。9.某标签体系将用户分为高、中、低价值，若用聚类实现，最需先处理的步骤是A.变量标准化B.变量离散化C.变量降维D.缺失值插补答案：A解析：K-means等算法对量纲敏感，需先标准化。10.数据仓库中，SlowlyChangingDimensionType2的做法是A.直接更新原行B.新增一行并标记旧行失效C.新增一列保存历史值D.新建历史表答案：B解析：Type2通过新增行保留历史快照，并加生效时间戳。二、多项选择题（每题3分，共15分）11.下列属于特征选择过滤法的是A.方差选择B.卡方检验C.L1正则D.互信息E.递归特征消除答案：ABD解析：C、E为嵌入法与包裹法。12.关于HiveSQL优化，正确的有A.分区裁剪可减小扫描量B.小文件过多会降低NameNode压力C.开启MapJoin可避免数据倾斜D.使用ORC+SNAPPY可减少磁盘IOE.使用count(1)比count()更快答案：ACD解析：B应为增加NameNode压力；count(1)与count()在Hive无差异。13.以下Python代码可正确实现“对df按user_id分组后计算列C的累计百分位”的是A.df.groupby('user_id')['C'].expanding().quantile(0.9)B.df.groupby('user_id')['C'].rolling(window=len(df),min_periods=1).quantile(0.9)C.df.groupby('user_id').apply(lambdax:x['C'].expanding().quantile(0.9))D.df.groupby('user_id')['C'].cumsum()/df.groupby('user_id')['C'].transform('sum')E.df.groupby('user_id')['C'].transform(lambdax:x.expanding().quantile(0.9))答案：ACE解析：B窗口固定；D为累计占比而非百分位。14.在构建用户流失模型时，可用于定义“流失”的口径有A.近30天无登录B.近7天无支付且近14天无浏览C.距离上次登录超过90百分位D.客服标记“流失”标签E.历史最大间隔+3σ答案：ABCE解析：D为主观标签，需验证一致性。15.关于数据可视化原则，正确的有A.饼图类别不宜超过5个B.折线图纵轴必须从0开始C.热力图适合展示矩阵型数据D.箱线图可识别异常值E.3D柱状图可增强表达力答案：ACD解析：B不一定；E常造成遮挡。三、填空题（每空2分，共20分）16.在MySQL中，查看某表索引使用情况的命令是______。答案：SHOWINDEXFROM表名17.若随机变量X~N(μ,σ²)，则P(μ-1.96σ≤X≤μ+1.96σ)=______。答案：0.9518.在Python中，使用pandas将字符串'2026-03-01'转为datetime64[ns]的代码为______。答案：pd.to_datetime('2026-03-01')19.某电商首页UV转化率=支付成功UV/首页UV，若某日首页UV=5×10⁶，支付成功UV=2×10⁵，则转化率为______%。答案：420.在Linux中，将文件file.csv按第2列数值降序排序并取前100行的命令是______。答案：sort-t,-k2,2nrfile.csv|head-n10021.在Spark中，RDD的______操作会触发实际计算。答案：action22.若某模型F1-score=0.8，precision=0.9，则recall=______。答案：0.72解析：F1=2PR/(P+R)→R=0.7223.在Excel中，计算一列数据的中位数函数为______。答案：MEDIAN24.使用Pythonseaborn绘制两变量散点图并加回归线，函数名为______。答案：sns.regplot25.数据治理元数据通常分为业务元数据、技术元数据与______元数据。答案：管理四、判断题（每题1分，共10分）26.在显著性水平α=0.05下，若p值=0.04，则原假设一定错误。答案：×解析：仅说明拒绝原假设，但仍有4%可能犯第一类错误。27.使用Z-score标准化后，新变量均值为0，方差为1。答案：√28.在Hive中，LEFTSEMIJOIN返回左表全部记录。答案：×解析：仅返回左表能与右表匹配的行。29.数据仓库分层中，DWD层保存的是经过清洗的明细数据。答案：√30.在Python中，list的append操作时间复杂度为O(n)。答案：×解析：平均O(1)，扩容时才O(n)。31.使用PCA降维后，主成分之间相关系数为0。答案：√32.在Tableau中，计算字段无法使用表计算函数。答案：×解析：可使用WINDOW、RUNNING等表计算函数。33.在AB实验里，若指标服从二项分布，可用Z检验近似。答案：√34.使用K-fold交叉验证时，k越大，偏差越小，方差越大。答案：√35.在Linux中，awk默认分隔符为空格。答案：√五、简答题（每题8分，共24分）36.描述一次完整的数据埋点治理流程，并说明如何验证埋点质量。答案：1.需求评审：产品、数据、开发三方对齐指标定义与口径。2.埋点设计：输出埋点文档，含事件名、属性、触发时机、上报格式。3.开发联调：开发在测试环境触发事件，数据组使用抓包工具验证字段完整性。4.测试验收：构造边界场景，校验属性缺失率、空值率、枚举值一致性。5.灰度监控：上线后对比日志与ODS表，T+1跑校验SQL，核心维度差异>1%触发告警。6.质量输出缺失率、延迟率、重复率、错误率四指标，持续三周达标后结项。验证方法：a.对比日志与数据库，计算接收率=DB条数/日志条数；b.使用唯一标识去重，计算重复率；c.对枚举值字段做白名单匹配，计算错误率；d.延迟监控：事件产生到入库延迟>5min占比。37.解释“数据倾斜”在SparkSQL中的成因、现象及四种以上解决方案。答案：成因：key分布极不均匀，导致某分区数据量远大于平均，引发长尾Task。现象：Stage页面大部分Task秒级完成，个别Task耗时数十分钟甚至OOM。解决方案：1.加盐打散：对热点key拼接随机前缀，聚合后二次汇总。2.两阶段聚合：先局部聚合，再全局聚合，减少Shuffle量。3.广播Join：当小表<10MB，使用broadcasthint避免Shuffle。4.自定义分区：实现Partitioner，将热点key均匀拆分到多分区。5.过滤倾斜key：若热点key对结果无意义，可先行过滤。6.增加并行度：提高spark.sql.shuffle.partitions，使大分区变细。38.说明如何构建“用户商品偏好得分”特征，并给出特征工程细节与上线流程。答案：步骤：1.样本抽取：取近90天有过交互（浏览/加购/支付）的(user,sku)对，正负采样1:3。2.标签定义：支付=1，浏览未支付=0。3.特征构造：a.用户侧：近30天支付次数、客单价、类目多样性、活跃度。b.商品侧：销量、库存、折扣率、评分、上新天数。c.交叉侧：用户在该类目下支付占比、用户对该品牌复购周期、用户-商品浏览天数序列（取最近7天均值、标准差、衰减加权）。4.特征处理：a.缺失值：数值型用中位数，类别型用“未知”。b.标准化：RobustScaler抑制异常值。c.降维：对高维类目one-hot使用PCA压缩至20维。5.模型训练：使用XGBoost，调参后AUC=0.87，TOP1%召回率65%。6.上线流程：a.训练后导出PMML，通过Airflow每日晨跑批预测，输出(user_id,sku_id,score)落Hive表。b.提供REST接口，业务方传入user_id，返回TOP100商品，RT<50ms。c.监控：每日对比预测分与真实支付率，PSI>0.2触发重训。六、计算题（共21分）39.某短视频App进行Push文案AB实验，对照组曝光100万，点击2万，实验组曝光110万，点击2.7万。（1）计算两组点击率及相对提升率。（4分）（2）使用Two-proportionZ-test检验差异是否显著（α=0.05）。（7分）（3）若次日留存提升0.3pp，实验组留存率6.2%，对照组5.9%，求需多少样本才能80%检出该差异。（10分）答案：（1）对照CTR=20000/1000000=2.00%实验CTR=27000/1100000≈2.45%相对提升=(2.45%-2.00%)/2.00%=22.5%（2）p1=0.02,n1=1e6,p2=0.0245,n2=1.1e6P_pool=(20000+27000)/(1e6+1.1e6)=0.0226Z=(p2-p1)/√[P_pool(1-P_pool)(1/n1+1/n2)]=0.0045/√[0.0226×0.9774×(1e-6+0.909e-6)]=0.0045/0.000206≈21.821.8>1.96，拒绝原假设，差异显著。（3）留存差异δ=0.003,基线p=0.059合并p=0.0605Zα=1.96,Zβ=0.84n=[Zα√(2p(1-p))+Zβ√(p1(1-p1)+p2(1-p2))]²/δ²≈[1.96√(2×0.0605×0.9395)+0.84√(0.059×0.941+0.062×0.938)]²/0.003²≈[1.96×0.338+0.84×0.344]²/0.000009≈(0.662+0.289)²/0.000009≈0.951²/0.000009≈100500每组需约10万样本。七、编程题（共30分）40.现有用户行为日志behavior.csv，字段：user_id,item_id,cate,behavior_type,ts。behavior_type含pv、buy、cart、fav。请完成：（1）使用Pythonpandas统计每个用户近7天购买类目多样性（购买过的不同类目数），并输出前10名用户。（10分）（2）使用PySpark实现相同逻辑，并缓存中间结果，要求运行时间<2min（集群3节点，共24核）。（20分）答案：（1）importpandasaspd,datetimeasdtdf=pd.read_csv('behavior.csv',parse_dates=['ts'])cutoff=df.ts.max()-pd.Timedelta(days=7)sub=df[(df.behavior_type=='buy')&(df.ts>=cutoff)]result=sub.groupby('user_id')['cate'].nun