(2025年)数据分析师职业资格考试试题及答案

(2025年)数据分析师职业资格考试试题及答案一、单项选择题（每题2分，共20分）1.以下关于数据类型的描述中，正确的是（）A.用户ID属于定距数据B.商品评分（1-5星）属于定类数据C.订单金额属于定比数据D.客户满意度等级（高/中/低）属于定距数据答案：C解析：定比数据有绝对零点，订单金额符合；用户ID是定类数据（无顺序），商品评分是定序数据（有顺序无间距），满意度等级是定序数据。2.在数据清洗中，处理缺失值时，若某变量缺失率为75%且与目标变量相关性极低，最合理的处理方式是（）A.用均值填充B.用中位数填充C.直接删除该变量D.用KNN算法预测填充答案：C解析：缺失率过高（>70%）且相关性低时，保留变量会引入噪声，删除是更优选择。3.某数据集服从右偏分布（正偏态），则其均值、中位数、众数的关系为（）A.均值>中位数>众数B.均值<中位数<众数C.中位数>均值>众数D.众数>均值>中位数答案：A解析：右偏分布中，均值受右侧长尾影响被拉高，众数在左侧峰值，中位数介于两者之间。4.进行A/B测试时，若实验组转化率为12%，对照组为10%，p值=0.03（α=0.05），则结论是（）A.两组无显著差异B.实验组转化率显著高于对照组C.对照组转化率显著高于实验组D.无法判断答案：B解析：p值<α（0.05），拒绝原假设（两组无差异），认为实验组转化率更高。5.以下SQL语句中，能正确计算2024年Q3各品类销售额的是（）A.SELECTcategory,SUM(sales)FROMordersWHEREorder_dateBETWEEN'2024-07-01'AND'2024-09-30'GROUPBYcategory;B.SELECTcategory,SUM(sales)FROMordersWHEREorder_dateIN('2024-07-01','2024-09-30')GROUPBYcategory;C.SELECTcategory,AVG(sales)FROMordersWHEREorder_dateBETWEEN'2024-07-01'AND'2024-09-30'GROUPBYcategory;D.SELECTcategory,MAX(sales)FROMordersWHEREorder_date>='2024-07-01'ORorder_date<='2024-09-30'GROUPBYcategory;答案：A解析：B选项IN仅包含两个日期，C选项计算平均而非总和，D选项OR逻辑错误（应使用BETWEEN）。6.在Python中，使用pandas处理数据时，若要将DataFrame的索引从0开始重新排列，应使用（）A.df.reset_index()B.df.reindex()C.df.set_index()D.df.index=range(len(df))答案：A解析：reset_index()默认将原索引转为列，并提供新的0-based索引；D选项直接赋值可能丢失原索引信息。7.某电商用户行为数据中，“购买转化率”的计算公式为（）A.购买用户数/总访问用户数B.购买订单数/总点击次数C.购买金额/总访问时长D.购买用户数/加购用户数答案：A解析：转化率核心是目标行为用户数与初始行为用户数的比值，总访问用户数是初始流量。8.在回归分析中，若VIF（方差膨胀因子）值为5，说明（）A.模型拟合效果良好B.存在严重多重共线性C.自变量与因变量线性关系强D.自变量间存在中度共线性答案：D解析：VIF>5表示中度共线性，>10表示严重共线性。9.以下属于非结构化数据的是（）A.客户年龄B.商品评论C.订单日期D.库存数量答案：B解析：商品评论是文本数据，无固定结构；其他选项为结构化数据（数值或日期）。10.某数据集的标准差为15，均值为100，其变异系数（CV）为（）A.0.15B.1.5C.15D.6.67答案：A解析：CV=标准差/均值=15/100=0.15。二、简答题（每题8分，共40分）1.简述混淆变量与中介变量的区别，并举例说明。答案：混淆变量是同时影响自变量和因变量的变量，会导致自变量与因变量的关系被错误估计（如研究教育水平对收入的影响时，年龄可能是混淆变量，因年龄既影响教育水平又影响收入）；中介变量是自变量影响因变量的中间路径（如教育水平通过职业类型影响收入，职业类型是中介变量）。区别在于混淆变量是“干扰因素”，需控制；中介变量是“传导路径”，需解释。2.数据分箱（离散化）的作用有哪些？常用的分箱方法有哪些？答案：作用：降低噪声影响（连续变量离散后更稳定）、提高模型鲁棒性（避免过拟合）、增强可解释性（离散区间更易理解）、处理缺失值（将缺失单独分箱）。常用方法：等距分箱（按固定区间宽度）、等频分箱（按样本数量均分）、决策树分箱（基于目标变量的分割）、卡方分箱（基于卡方检验合并区间）。3.简述如何用Python的scikit-learn库进行机器学习模型的交叉验证，并说明其意义。答案：步骤：（1）导入KFold或StratifiedKFold（分类问题用分层）；（2）定义模型（如LogisticRegression）；（3）使用cross_val_score函数，传入模型、特征X、标签y、cv=折数（如5）；（4）输出各折得分及均值。意义：避免单次划分训练/测试集的随机性导致的评估偏差，更可靠地衡量模型泛化能力，同时可用于调参（如选择最优超参数）。4.说明SQL中LEFTJOIN与INNERJOIN的区别，并举例表结构（订单表orders有order_id、user_id；用户表users有user_id、user_name）写出查询所有订单及其对应用户姓名的语句（包括无用户信息的订单）。答案：INNERJOIN仅返回两表user_id匹配的记录；LEFTJOIN返回左表（orders）所有记录，右表（users）无匹配时user_name为NULL。查询语句：SELECTo.order_id,o.user_id,u.user_nameFROMordersoLEFTJOINusersuONo.user_id=u.user_id;5.什么是辛普森悖论？如何避免其影响？答案：辛普森悖论指分组数据与总体数据的趋势相反（如两组分别显示A方案优于B，但合并后B优于A）。避免方法：分析时考虑分层变量（如按性别、地区分组），检查是否存在隐藏的混杂因素；使用标准化方法（如调整率）消除分组不平衡的影响；结合业务场景判断分组是否合理。三、应用题（每题15分，共30分）1.某电商数据库包含以下表：-商品表（product）：product_id（主键）、category（品类）、price（单价）-订单表（order）：order_id（主键）、user_id（用户ID）、order_date（下单日期）、product_id（外键）、quantity（购买数量）要求：编写SQL语句，计算2024年每个季度各品类的总销售额（销售额=单价×数量），结果按季度升序、品类升序排列。答案：WITHorder_detailAS(SELECTo.order_date,duct_id,o.quantity,p.category,p.priceFROMorderoJOINproductpONduct_id=duct_idWHEREo.order_dateBETWEEN'2024-01-01'AND'2024-12-31')SELECTCASEWHENorder_dateBETWEEN'2024-01-01'AND'2024-03-31'THEN'Q1'WHENorder_dateBETWEEN'2024-04-01'AND'2024-06-30'THEN'Q2'WHENorder_dateBETWEEN'2024-07-01'AND'2024-09-30'THEN'Q3'ELSE'Q4'ENDASquarter,category,SUM(pricequantity)AStotal_salesFROMorder_detailGROUPBYquarter,categoryORDERBYquarter,category;2.某数据集df包含以下字段：user_id（用户ID）、age（年龄）、gender（性别）、income（收入，单位：元）、purchase_freq（近30天购买次数）、is_churn（是否流失，1=是，0=否）。其中age有5%的缺失值，income存在异常值（如-1000，999999）。要求用Python完成以下操作：（1）处理age的缺失值（要求保留原始数据分布特征）；（2）处理income的异常值（要求基于IQR方法）；（3）计算各性别用户的流失率（流失率=流失用户数/总用户数）。答案：（1）age缺失值处理（用随机森林预测填充，保留分布）：```pythonfromsklearn.ensembleimportRandomForestRegressorimportpandasaspd分离有age和无age的样本known_age=df[df['age'].notnull()]unknown_age=df[df['age'].isnull()]选择特征（假设gender、income、purchase_freq相关）features=['gender','income','purchase_freq']X_train=known_age[features]y_train=known_age['age']X_test=unknown_age[features]训练模型并预测rf=RandomForestRegressor(n_estimators=100,random_state=42)rf.fit(X_train,y_train)unknown_age['age']=rf.predict(X_test)合并数据df=pd.concat([known_age,unknown_age],ignore_index=True)```（2）income异常值处理（IQR方法）：```pythonQ1=df['income'].quantile(0.25)Q3=df['income'].quantile(0.75)IQR=Q3-Q1lower_bound=Q1-1.5IQRupper_bound=Q3+1.5IQR将异常值替换为上下限df['income']=df['income'].clip(lower=lower_bound,upper=upper_bound)```（3）各性别流失率计算：```pythonchurn_rate=df.groupby('gender')['is_churn'].mean().reset_index()churn_rate.columns=['gender','churn_rate']print(churn_rate)```四、综合分析题（30分）某短视频平台提供以下用户行为数据（2024年1-6月）：-用户基本信息：user_id（用户ID）、注册时间、年龄、性别-行为数据：log_date（记录日期）、video_id（视频ID）、action（行为类型：播放、点赞、评论、分享）、duration（播放时长，秒）-标签数据：is_vip（是否为VIP，1=是，0=否）、is_active（是否活跃，1=是，0=否，定义为近7天有行为）请设计分析方案，回答以下问题：（1）如何定义用户“高价值用户”？需构建哪些核心指标？（2）分析VIP用户与非VIP用户的活跃差异，并验证是否显著；（3）探索影响用户活跃的关键因素（至少提出3个假设并设计验证方法）。答案：（1）高价值用户定义及核心指标：定义：对平台贡献大、留存潜力高的用户。核心指标：-商业价值：月均消费金额（若有付费内容）、VIP续费率；-行为价值：月均播放时长、月均互动次数（点赞+评论+分享）、视频完播率（完播次数/总播放次数）；-留存价值：7日/30日留存率（注册后N天活跃）、沉默周期（两次活跃的间隔天数）。需综合以上指标，通过聚类分析（如K-means）将用户分群，筛选Top20%的群体作为高价值用户。（2）VIP与非VIP用户活跃差异分析：步骤：①计算两组活跃率：活跃率=活跃用户数/总用户数（按周/月统计）；②可视化对比：绘制折线图展示1-6月VIP与非VIP活跃率趋势；③假设检验：使用卡方检验（分类变量）或t检验（若活跃率为连续指标）。原假设H0：VIP