1+X数据分析模块二综合试题及答案

1+X数据分析模块二综合试题及答案一、单项选择题（每题2分，共20分）1.以下哪种方法最适合处理数值型数据中的异常值？A.直接删除所有异常值B.用该变量的均值替换C.根据业务逻辑判断后修正或保留D.用相邻值的中位数替换2.在进行卡方检验时，若期望频数小于5的单元格比例超过20%，应采取的措施是？A.增加样本量B.合并类别C.改用t检验D.不做处理直接计算3.某电商平台用户年龄数据的偏度系数为-1.2，说明数据分布为？A.右偏（正偏）B.左偏（负偏）C.正态分布D.均匀分布4.以下哪项不属于数据清洗的主要任务？A.处理缺失值B.转换数据格式C.计算相关系数D.识别并处理异常值5.在Pandas中，若要将DataFrame的“日期”列从字符串格式（如“2023-10-01”）转换为datetime格式，应使用的函数是？A.pd.to_datetime()B.pd.to_timedelta()C.df.astype('datetime')D.df.convert_dtypes()6.SQL中，若要查询每个客户的累计消费金额（按消费时间排序），应使用的窗口函数是？A.ROW_NUMBER()B.RANK()C.SUM()OVER(PARTITIONBY客户IDORDERBY消费时间)D.AVG()OVER(ORDERBY消费时间)7.某数据集的峰度系数为3.5，说明数据分布比正态分布？A.更陡峭（尖峰）B.更平缓（平峰）C.无差异D.无法判断8.在相关性分析中，Pearson相关系数适用于？A.两个分类变量B.一个分类变量和一个连续变量C.两个连续变量且线性相关D.两个有序分类变量9.若要分析“广告投入”对“销售额”的影响，且数据存在异方差性，应优先选择的回归模型是？A.普通线性回归（OLS）B.加权最小二乘回归（WLS）C.逻辑回归D.岭回归10.以下哪种可视化图表最适合展示各地区销售额占总销售额的比例？A.折线图B.柱状图C.散点图D.饼图二、判断题（每题1分，共10分）1.缺失值处理时，若缺失数据是随机的（MAR），直接删除缺失行不会影响分析结果的准确性。（）2.箱线图中，超过Q3+1.5IQR的值一定是异常值，必须删除。（）3.卡方检验的原假设是“两个变量独立”，若p值小于0.05，则拒绝原假设，认为变量相关。（）4.标准化（Z-score）后的数据均值为0，标准差为1；归一化（Min-Max）后的数据范围在[0,1]。（）5.在Pandas中，df.groupby('类别').sum()会自动排除非数值型列。（）6.SQL的HAVING子句用于过滤分组前的行，WHERE子句用于过滤分组后的结果。（）7.时间序列数据的平稳性检验可使用ADF检验，若p值小于0.05，则拒绝原假设（存在单位根），认为数据平稳。（）8.逻辑回归的因变量是连续型变量，线性回归的因变量是二分类变量。（）9.热力图（Heatmap）常用于展示多个变量间的相关系数矩阵。（）10.主成分分析（PCA）的主要目的是降维，保留原始数据的大部分方差。（）三、简答题（每题5分，共20分）1.简述数据清洗中处理缺失值的常用方法及其适用场景。2.说明t检验与方差分析（ANOVA）的区别与联系。3.解释混淆矩阵中TP、TN、FP、FN的含义，并写出准确率（Accuracy）和召回率（Recall）的计算公式。4.列举Pandas中用于数据合并的4种方法，并说明各自的适用场景。四、SQL操作题（共20分）背景：某电商数据库包含以下3张表：`用户表（user）`：user_id（用户ID，主键）、gender（性别）、age（年龄）、注册时间（reg_time）`订单表（order）`：order_id（订单ID，主键）、user_id（外键）、order_time（下单时间）、total_amount（订单金额）`商品表（product）`：product_id（商品ID，主键）、category（商品类别）、price（单价）、库存（stock）`订单详情表（order_detail）`：order_id（外键）、product_id（外键）、quantity（购买数量），主键（order_id,product_id）要求：根据以下需求写出SQL语句。1.（5分）查询2023年注册的女性用户数量。2.（5分）查询每个用户的累计消费金额（按user_id分组，显示user_id和总金额）。3.（5分）查询2023年订单中，购买数量超过10件的商品类别及其总销量（需关联订单时间、订单详情和商品表）。4.（5分）查询2023年客单价（总销售额/订单数）最高的前10个用户（客单价保留2位小数）。五、Python数据分析题（共30分）背景：某零售公司提供了2023年的销售数据集（sales_data.csv），字段包括：日期（date，格式“YYYY-MM-DD”）、门店ID（store_id）、商品类别（category）、销售额（sales，单位：元）、客流量（customers）、促销标志（promotion，1=促销，0=未促销）。要求：使用Python的Pandas、Matplotlib和Seaborn库完成以下分析。1.（5分）读取sales_data.csv文件，查看数据基本信息（行数、列数、各字段类型、缺失值数量）。2.（5分）处理缺失值：若“销售额”缺失，用同门店、同类别商品的日均销售额填补；若“客流量”缺失，用该门店的月均客流量填补（需先提取月份）。3.（5分）计算各门店的月均销售额，并按降序排序（输出前5名门店）。4.（5分）绘制2023年各月份总销售额的折线图，添加标题、坐标轴标签，设置图例（月份用“1月”“2月”…表示）。5.（5分）分析促销对销售额的影响：计算促销与非促销期间的平均销售额，并用t检验验证差异是否显著（α=0.05），输出结论。6.（5分）计算商品类别与销售额的相关性（若类别为分类变量，需先进行编码），并绘制热图展示。六、综合分析题（共20分）背景：某银行想分析客户流失（churn，1=流失，0=未流失）的影响因素，收集了10000条客户数据，字段包括：年龄（age）、性别（gender）、账户余额（balance）、月均交易次数（trans_freq）、是否有信用卡（credit_card，1=是，0=否）、客户层级（level，A/B/C三级）、月收入（income）。任务：根据以下步骤完成分析。1.（4分）数据预处理：检查“年龄”字段是否存在异常值（如负数或超过120岁），并处理；将“客户层级”转换为数值变量（A=3，B=2，C=1）；对“月收入”进行标准化（Z-score）处理。2.（4分）描述性统计分析：计算流失客户与未流失客户的年龄均值、账户余额中位数；统计不同性别、客户层级的流失率（流失率=流失客户数/总客户数）。3.（4分）可视化分析：绘制年龄与月收入的散点图，按流失状态分组（颜色区分）；绘制各客户层级的流失率柱状图（显示具体百分比）。4.（4分）假设检验：检验流失客户与未流失客户的月均交易次数是否有显著差异（α=0.05）；检验客户层级与流失状态是否相关（需选择合适的检验方法）。5.（4分）建立逻辑回归模型预测客户流失：选择年龄、账户余额、月均交易次数、是否有信用卡、客户层级（数值化后）、标准化后的月收入作为自变量；输出模型的混淆矩阵和准确率；解释模型中“月均交易次数”系数的含义。---答案一、单项选择题1.C2.B3.B4.C5.A6.C7.A8.C9.B10.D二、判断题1.×（MAR需谨慎删除，可能导致偏差）2.×（异常值需结合业务判断）3.√4.√5.√6.×（WHERE过滤行，HAVING过滤分组）7.√8.×（逻辑回归因变量是二分类，线性回归是连续）9.√10.√三、简答题1.常用方法及场景：删除法：缺失比例低（如<5%）且无规律；均值/中位数/众数填充：数值型用均值/中位数（无极端值），分类型用众数；插值法（如线性插值）：时间序列数据；模型预测填充：缺失数据与其他变量强相关时（如用回归模型预测缺失值）。2.区别：t检验用于两组均值比较，ANOVA用于三组及以上；联系：均基于正态分布假设，ANOVA可视为t检验的扩展，且组间两两比较可用t检验（需校正）。3.TP（真正例）：实际正类预测为正；TN（真反例）：实际反类预测为反；FP（假正例）：实际反类预测为正；FN（假反例）：实际正类预测为反。准确率=（TP+TN）/(TP+TN+FP+FN)；召回率=TP/(TP+FN)。4.合并方法：merge()：按键连接（类似SQL的JOIN），适用于多表关联；concat()：按行或列堆叠，适用于结构相同的表合并；append()：行方向追加（已弃用，推荐concat）；join()：按索引连接，适用于索引对齐的表合并。四、SQL操作题1.`SELECTCOUNT()FROMuserWHEREgender='女'ANDYEAR(reg_time)=2023;`2.`SELECTo.user_id,SUM(o.total_amount)AS总金额FROMorderoGROUPBYo.user_id;`3.```sqlSELECTp.category,SUM(od.quantity)AS总销量FROMorderoJOINorder_detailodONo.order_id=od.order_idJOINproductpONduct_id=duct_idWHEREYEAR(o.order_time)=2023ANDod.quantity>10GROUPBYp.category;```4.```sqlSELECTo.user_id,ROUND(SUM(o.total_amount)/COUNT(o.order_id),2)AS客单价FROMorderoWHEREYEAR(o.order_time)=2023GROUPBYo.user_idORDERBY客单价DESCLIMIT10;```五、Python数据分析题（关键代码）1.```pythonimportpandasaspddf=pd.read_csv('sales_data.csv')print(f"行数：{df.shape[0]},列数：{df.shape[1]}")print(df.dtypes)print(df.isnull().sum())```2.```python处理销售额缺失（同门店、同类别日均销售额）df['date']=pd.to_datetime(df['date'])df['day']=df['date'].dt.dayavg_sales=df.groupby(['store_id','category','day'])['sales'].transform('mean')df['sales']=df['sales'].fillna(avg_sales)处理客流量缺失（门店月均客流量）df['month']=df['date'].dt.monthavg_customers=df.groupby(['store_id','month'])['customers'].transform('mean')df['customers']=df['customers'].fillna(avg_customers)```3.```pythondf['month']=df['date'].dt.monthmonthly_sales=df.groupby(['store_id','month'])['sales'].sum().reset_index()store_avg=monthly_sales.groupby('store_id')['sales'].mean().sort_values(ascending=False).head(5)print(store_avg)```4.```pythonimportmatplotlib.pyplotaspltmonth_total=df.groupby('month')['sales'].sum()plt.plot(month_total.index,month_total.values,marker='o')plt.title('2023年月度总销售额趋势')plt.xlabel('月份')plt.ylabel('销售额（元）')plt.xticks(range(1,13),[f'{i}月'foriinrange(1,13)])plt.legend(['总销售额'])plt.show()```5.```pythonfromscipyimportstatspromo_sales=df[df['promotion']==1]['sales']non_promo_sales=df[df['promotion']==0]['sales']t_stat,p_value=stats.ttest_ind(promo_sales,non_promo_sales)print(f"促销平均销售额：{promo_sales.mean():.2f}，非促销：{non_promo_sales.mean():.2f}")print(f"t检验p值：{p_value:.4f}")ifp_value<0.05:print("结论：促销对销售额有显著影响")else:print("结论：促销对销售额无显著影响")```6.```pythonimportseabornassns类别编码（独热编码）category_encoded=pd.get_dummies(df['category'],prefix='category')df_encoded=pd.concat([df,category_encoded],axis=1)计算相关性corr=df_encoded[['sales']+list(category_encoded.columns)].corr()绘制热图plt.figure(figsize=(10,6))sns.heatmap(corr,annot=True,cmap='coolwarm')plt.title('商品类别与销售额相关性热图')plt.show()```六、综合分析题（关键步骤）1.数据预处理：`df=df[(df['age']>0)&(df['age']<=120)]`（删除异常年龄）；`df['level']=df['level'].map({'A':3,'B':2,'C':1})`；`df['income_z']=(df['income']df['income'].mean())/df['income'].std()`。2.描述性统计：流失客户年龄均值：`df[df['churn']==1]['age'].mean()`；未流失：`df[df['churn']==0]['age'].mean()`；账户余额中位数：`df.groupby('churn')['balance'].median()`；流失率计算：`df.groupby(['gender','chur