2025年数据分析师中级考试模拟题及答案

2025年数据分析师中级考试模拟题及答案一、单项选择题（每题2分，共20分）1.以下哪项不属于数据清洗阶段需要处理的问题？A.缺失值填充B.异常值检测C.特征重要性排序D.不一致数据修正答案：C（特征重要性排序属于特征工程或模型训练阶段的任务）2.在分析某电商平台用户复购行为时，若要比较新老用户（注册时间<30天为新用户）的复购率差异（复购率=复购用户数/总购买用户数），应优先选择的统计检验方法是：A.卡方检验B.t检验C.方差分析D.曼-惠特尼U检验答案：A（复购率为比例数据，比较两组比例差异用卡方检验）3.某数据集包含变量X（年龄，连续型）和Y（是否购买会员，二分类），若要分析X对Y的影响，以下哪种预处理方法最不适用？A.对X进行分箱处理B.计算X的Z-score标准化C.对Y进行独热编码D.计算X与Y的点二列相关系数答案：C（Y是二分类变量，无需独热编码）4.在SQL中，要查询2024年每个自然月的活跃用户数（活跃定义为至少有1次登录），且结果按月份升序排列，正确的GROUPBY子句是：A.GROUPBYYEAR(login_time),MONTH(login_time)B.GROUPBYDATE_FORMAT(login_time,'%Y-%m')C.GROUPBYEXTRACT(MONTHFROMlogin_time)D.GROUPBYlogin_time答案：B（需要同时按年和月分组，确保跨年度数据正确）5.用Python的sklearn库训练逻辑回归模型时，若出现训练集准确率95%、测试集准确率60%的情况，最可能的原因是：A.学习率设置过高B.数据未进行标准化C.模型过拟合D.类别不平衡答案：C（训练集和测试集表现差异大是典型过拟合现象）6.某时间序列数据的ACF（自相关函数）在滞后1阶显著不为0，滞后2阶及以上不显著；PACF（偏自相关函数）在滞后1-3阶显著不为0。最适合的ARIMA模型参数是：A.ARIMA(1,0,0)B.ARIMA(3,0,1)C.ARIMA(1,0,3)D.ARIMA(0,0,1)答案：B（PACF显著阶数为3，ACF显著阶数为1，对应ARIMA(p,d,q)中p=3,q=1）7.分析用户行为漏斗时，若注册转化率（注册用户数/访问用户数）突然下降50%，首先应排查的数据问题是：A.访问用户数的统计口径是否变化B.注册页面的加载速度C.用户设备类型分布D.推广渠道的流量质量答案：A（数据口径变化是突发异常的首要排查点）8.以下哪项不是特征工程中处理类别变量的常用方法？A.目标编码（TargetEncoding）B.主成分分析（PCA）C.独热编码（One-HotEncoding）D.标签编码（LabelEncoding）答案：B（PCA用于连续变量降维，不直接处理类别变量）9.在A/B测试中，若实验组和对照组的样本量均为1000，显著性水平设为0.05，检测到的效应量为0.15（Cohen'sd），此时统计功效（Power）最可能的数值是：A.0.45B.0.85C.0.95D.0.25答案：A（小样本量+小效应量通常导致低统计功效）10.某数据集的偏度（Skewness）为2.3，峰度（Kurtosis）为5.8，说明该数据分布：A.左偏，尾部更重B.右偏，尾部更重C.左偏，尾部更轻D.右偏，尾部更轻答案：B（正偏度表示右偏，峰度>3表示尾部更重）二、简答题（每题6分，共30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。答案：（1）删除法：适用于缺失比例极低（如<5%）且缺失无规律性的情况；（2）均值/中位数/众数填充：适用于数值型变量（均值适合正态分布，中位数适合偏态分布）、分类型变量（众数）；（3）插值法（如线性插值、时间序列的前向填充）：适用于有序数据或时间序列；（4）模型预测填充：用其他变量训练模型预测缺失值，适用于缺失数据与其他变量有较强相关性；（5）单独编码：将缺失值作为独立类别，适用于分类型变量且缺失本身有业务含义（如"未填写"）。2.说明在SQL中使用窗口函数（WindowFunction）与GROUPBY的主要区别。答案：窗口函数对数据进行分组计算但不改变原始行数（保留每行明细），支持在分组内进行排序、累计计算等操作（如ROW_NUMBER()、SUM()OVER()）；GROUPBY会将数据按分组列聚合，减少行数（仅保留分组汇总结果），主要用于计算各组的统计量（如COUNT()、AVG()）。窗口函数可在GROUPBY后的结果上进一步处理，而GROUPBY无法直接访问原始行数据。3.列举3种评估分类模型性能的指标，并说明其适用场景。答案：（1）准确率（Accuracy）：总正确预测数/总样本数，适用于类别平衡场景；（2）召回率（Recall）：真阳性/(真阳性+假阴性)，适用于关注漏检（如疾病诊断）的场景；（3）F1-score：2(精确率召回率)/(精确率+召回率)，适用于需要平衡精确率和召回率的场景；（4）AUC-ROC：衡量模型区分正负极的能力，适用于类别不平衡且关注整体排序的场景（如欺诈检测）。4.简述用户分群（RFM模型）中R、F、M三个指标的定义及业务意义。答案：R（Recency）：最近一次消费时间距今的天数，反映用户活跃度；F（Frequency）：一定时间内的消费次数，反映用户黏性；M（Monetary）：一定时间内的消费金额，反映用户价值；业务意义：通过三个维度的组合将用户划分为不同群体（如重要价值客户、潜在客户），支持精准营销（如对高R低F用户推送召回优惠券）。5.说明在Python中使用Pandas处理大数据集（如100GBCSV文件）时的优化策略。答案：（1）分块读取（chunksize参数）：逐块加载数据，减少内存占用；（2）选择必要列（usecols参数）：仅读取分析所需字段；（3）指定数据类型（dtype参数）：将大整数转为int32/int16，字符串转为category类型；（4）使用Dask或Modin库：分布式计算框架支持并行处理；（5）过滤数据后再处理：在读取时通过query或布尔索引筛选目标数据；（6）释放内存：及时删除不再使用的变量（del）并调用gc.collect()。三、工具应用题（共30分）（一）SQL题（15分）已知某电商数据库有以下三张表：user_info（user_idINT,reg_timeDATETIME,genderSTRING）：用户基本信息表user_behavior（user_idINT,behavior_timeDATETIME,behavior_typeSTRING）：用户行为表（behavior_type包含'view','click','purchase'）order_detail（order_idINT,user_idINT,order_timeDATETIME,amountDECIMAL(10,2)）：订单明细表要求：查询2024年Q1（1-3月）各月的"高价值用户"数量。高价值用户定义：注册时间在2023年1月1日前（老用户）2024年Q1至少有1次购买行为（behavior_type='purchase'）订单总金额≥5000元每月至少有3天有行为记录（任意行为类型）答案：```sqlWITHvalid_usersAS(SELECTu.user_idFROMuser_infouWHEREu.reg_time<'2023-01-01'-老用户筛选ANDEXISTS(-至少1次购买行为SELECT1FROMuser_behaviorbWHEREb.user_id=u.user_idANDb.behavior_type='purchase'ANDb.behavior_timeBETWEEN'2024-01-01'AND'2024-03-31')AND(-订单总金额≥5000SELECTSUM(od.amount)FROMorder_detailodWHEREod.user_id=u.user_idANDod.order_timeBETWEEN'2024-01-01'AND'2024-03-31')>=5000),monthly_behavior_daysAS(SELECTuser_id,DATE_FORMAT(behavior_time,'%Y-%m')ASmonth,COUNT(DISTINCTDATE(behavior_time))ASactive_days-每月活跃天数FROMuser_behaviorWHEREbehavior_timeBETWEEN'2024-01-01'AND'2024-03-31'GROUPBYuser_id,DATE_FORMAT(behavior_time,'%Y-%m'))SELECTm.month,COUNT(DISTINCTm.user_id)AShigh_value_user_countFROMmonthly_behavior_daysmJOINvalid_usersvONm.user_id=v.user_idWHEREm.active_days>=3-每月至少3天行为记录GROUPBYm.monthORDERBYm.month;```（二）Python题（15分）使用Pandas分析某银行客户满意度数据（数据字段：user_id,age,income,loan_amount,credit_score,satisfaction（1-5分）），要求：1.对age（年龄）字段进行分箱处理，分为[0,25),[25,40),[40,60),[60,∞)四个区间，命名为age_group；2.计算各age_group的平均收入（income）、平均贷款金额（loan_amount）、满意度的中位数；3.绘制各age_group的满意度分布直方图（横轴为满意度，纵轴为用户数，分5个柱形，按age_group分颜色）；4.分析年龄分组与满意度的相关性（要求输出相关系数并说明结论）。答案：```pythonimportpandasaspdimportmatplotlib.pyplotaspltimportseabornassnsfromscipy.statsimportspearmanr假设数据已加载为df1.年龄分箱bins=[0,25,40,60,float('inf')]labels=['0-25','25-40','40-60','60+']df['age_group']=pd.cut(df['age'],bins=bins,labels=labels,right=False)2.分组统计group_stats=df.groupby('age_group').agg({'income':'mean','loan_amount':'mean','satisfaction':'median'}).reset_index()print("各年龄组统计指标：")print(group_stats)3.绘制满意度分布直方图plt.figure(figsize=(10,6))sns.histplot(data=df,x='satisfaction',hue='age_group',multiple='dodge',bins=5,shrink=0.8,palette='viridis')plt.title('各年龄组满意度分布')plt.xlabel('满意度（1-5分）')plt.ylabel('用户数')plt.xticks([1.5,2.5,3.5,4.5],[1,2,3,4,5])调整刻度位置plt.show()4.相关性分析（年龄分组为有序分类，使用斯皮尔曼相关）将age_group转换为数值等级df['age_rank']=df['age_group'].cat.codescorr,p_value=spearmanr(df['age_rank'],df['satisfaction'])print(f"年龄分组与满意度的斯皮尔曼相关系数：{corr:.3f}（p值：{p_value:.4f}）")结论：若corr>0且p<0.05，说明年龄越大满意度越高；反之则相反；若不显著则无相关性。```四、综合分析题（20分）某生鲜电商平台2024年7月的GMV（商品交易总额）环比下降8%，作为数据分析师需定位原因。现有数据包括：用户行为日志（访问、加购、下单）、商品分类表（一级/二级类目）、订单表（含支付时间、金额、用户城市）、促销活动表（活动时间、参与类目、折扣力度）。请设计分析思路，包括：1.核心指标拆解（至少三级）；2.关键分析步骤及使用的方法；3.可能的原因假设及验证方式。答案：1.核心指标拆解：GMV=活跃用户数×转化率（下单用户数/活跃用户数）×客单价（GMV/下单用户数）其中：活跃用户数=新用户数+老用户数转化率=加购转化率（加购用户数/活跃用户数）×下单转化率（下单用户数/加购用户数）客单价=平均购买数量×平均商品单价2.关键分析步骤及方法：（1）趋势对比：按日期绘制GMV、活跃用户数、转化率、客单价的7月环比/同比趋势图，识别是否为持续性下降或某时间点突变；分城市（一线/新一线/下沉市场）、用户类型（新/老）、流量渠道（APP/小程序/第三方平台）拆解GMV变化，定位异常维度（如某城市GMV下降30%）。（2）转化漏斗分析：构建"访问→加购→下单"漏斗，计算各环节转化率环比变化，识别瓶颈环节（如加购转化率下降15%）；使用归因分析（如首次点击、最后点击）定位流量入口的转化效率变化（如某推广渠道的下单转化率从10%降至5%）。（3）商品维度分析：按一级/二级类目计算GMV占比及环比变化，找出拖后腿类目（如水果类GMV下降15%，占总GMV30%）；分析问题类目的销售结构：爆款商品销量是否下降（如TOP10商品销量下降20%）、新品占比是否降低、