2026年数据分析师综合能力考核试题及答案

2026年数据分析师综合能力考核试题及答案一、单项选择题（每题2分，共20分）1.某电商平台2026年Q1的日均订单量呈右偏分布，样本量n=10000。若用中心极限定理估计总体均值，下列说法正确的是A.样本均值分布的偏度与原始分布相同B.样本均值分布的标准差等于总体标准差C.样本均值分布近似正态，其方差为σ²/nD.必须对原始数据做Box-Cox变换才能使用中心极限定理答案：C2.在Spark3.4中，对一张10TB的Parquet表执行df.filter("event_date='2026-03-15'").select("user_id")，下列优化手段对减少I/O最直接有效的是A.增加executor内存B.启用动态分区裁剪C.将文件格式改为ORCD.将event_date字段改为IntType答案：B3.某城市地铁闸机数据包含2026年4月所有刷卡记录，字段：card_id,station,time,amount。欲计算每位乘客的“出行链熵”（即乘客在一天内进出站序列的信息熵），下列SQL逻辑正确的是A.SELECTcard_id,-SUM(pLOG(p))FROM(SELECTcard_id,station,COUNT()/SUM(COUNT(*))OVER(PARTITIONBYcard_id)pFROMtGROUPBYcard_id,station)GROUPBYcard_idB.SELECTcard_id,SHANNON_ENTROPY(station)FROMtGROUPBYcard_idC.SELECTcard_id,ENTROPY(COUNT(station))FROMtGROUPBYcard_id,stationD.SELECTcard_id,-LOG(COUNT(DISTINCTstation))FROMtGROUPBYcard_id答案：A4.使用Python的scikit-learn1.5训练GradientBoostingRegressor时，若特征矩阵存在大量高基数类别变量，下列做法最合理的是A.直接用OneHotEncoder(sparse=False)后训练B.用TargetEncoder做无监督编码C.先用OrdinalEncoder，再用GBDT自带的类别支持D.用LeaveOneOutEncoder并在验证集上早停答案：D5.某A/B实验对比两种推荐算法，指标为次日留存率。实验持续7天，每天样本量稳定。若使用贝叶斯方法，先验选Beta(2,98)，实验组观测留存160/2000，对照组150/2000，则后验分布的均值差E(p1-p2)约为A.0.002B.0.005C.0.008D.0.012答案：B6.在Tableau2026.1中，将“销售额”字段拖至颜色标记后，想使颜色按“同比增幅”而非绝对值渐变，应优先使用A.快速表计算→百分比差异B.创建计算字段：ZN(SUM([销售额]))-LOOKUP(ZN(SUM([销售额])),-1)C.直接右键→编辑颜色→使用表达式D.将“同比增幅”先拖至详细信息，再拖至颜色答案：A7.某时序模型使用Prophet预测2026年儿童节（6月1日）的冰淇淋销量，发现预测区间过窄，最可能原因是A.节假日效应未纳入B.趋势项changepoint_prior_scale设置过大C.季节性mode设为additiveD.未开启uncertainty_samples的MCMC答案：D8.在PostgreSQL16中，对分区表measure_2026做SELECT*FROMmeasure_2026WHEREtsBETWEEN'2026-05-01'AND'2026-05-02'，下列索引策略最佳的是A.在ts上建btree全局索引B.在每个分区ts上建本地btree索引C.在分区键ts上建hash全局索引D.不建索引，依赖分区裁剪答案：B9.使用TensorFlow2.15构建Wide&Deep模型时，Wide部分特征交叉阶数过高导致内存溢出，最优雅的解决方案是A.改用DeepFMB.使用HashedCrossing层并设置num_bins=1e6C.降低batch_sizeD.将交叉特征先存为稀疏张量再喂入答案：B10.某数据湖采用Iceberg1.4，表t的manifest文件数达20万，查询变慢，最佳治理动作是A.调大read.split.target-sizeB.执行rewrite_manifestsC.删除snapshotD.将文件格式改为Avro答案：B二、多项选择题（每题3分，共15分，多选少选均不得分）11.下列属于数据血缘元数据标准的是A.OpenLineageB.ApacheAtlasTypesC.DataHubSchemaD.GreatExpectations答案：A、B、C12.在构建实时风控特征时，需计算“过去5分钟某IP的登录失败次数”，可行的技术组合有A.FlinkSQL+Kafka+RedisB.SparkStructuredStreaming+DeltaLakeC.KafkaStreams+RockDBD.Pandas+MySQL答案：A、B、C13.关于SHAP值在XGBoost中的使用，正确的有A.TreeSHAP支持多项分类的一vs-rest解释B.对单条样本，所有特征SHAP值加和等于模型输出与base_margin之差C.使用interaction_constraints后无法计算SHAPD.可用approx_contribs参数近似加速答案：A、B、D14.在Snowflake8.0中，以下操作会触发micro-partition重新创建的有A.UPDATE列值B.DELETE行C.CLUSTERBY重新聚簇D.创建SEARCHOPTIMIZATION服务答案：A、B、C15.某零售公司用UpliftModel做营销，下列评估曲线可直接输出的有A.QINI曲线B.AUUCC.CATE分布直方图D.ROC曲线答案：A、B、C三、判断题（每题1分，共10分，正确打“√”，错误打“×”）16.在Python3.12中，pandas2.2的copy-on-write机制默认开启，能显著降低内存占用。答案：√17.ClickHouse23.10的AggregatingMergeTree引擎在查询时无需使用聚合函数，系统会自动返回最终状态。答案：×18.当使用BayesianOptimization调参时，采集函数EI（ExpectedImprovement）在已有最优点处的值为0。答案：√19.在dbt1.8中，使用materialized='incremental'时必须指定unique_key，否则无法合并更新。答案：×20.数据沙箱（DataSandbox）与数据集市（DataMart）的核心差异在于前者提供临时隔离环境，后者面向主题域持久化。答案：√21.在PyTorch2.2中，pile()默认使用Triton后端，可自动融合kernel。答案：√22.对高维稀疏文本特征使用PCA降维后再输入LightGBM，一定能提升AUC。答案：×23.在KubeflowPipelines中，组件间通过artifact传递大型数据集时，系统默认使用MinIO对象存储。答案：√24.数据资产目录（DataCatalog）的主动元数据（ActiveMetadata）理念强调元数据可反向驱动ETL流程。答案：√25.在Excel2026中，新函数LAMBDA()允许自定义递归，但最大递归深度仍受调用栈1024限制。答案：√四、填空题（每空2分，共20分）26.在Python中，使用polars0.20读取一张含1亿行的CSV，若只想惰性筛选列col1>100并统计行数，代码为pl.scan_csv('file.csv').filter(__________).select(pl.len()).collect()。答案：pl.col('col1')>10027.某Hive表存储为ORC，压缩率为0.15，原始文本大小300GB，则实际HDFS占用约__________GB。答案：4528.在Flink1.19中，设置table.exec.mini-batch.allow-latency='1s'的作用是__________。答案：开启微批处理，缓存1秒数据以减少状态写放大29.使用statsmodels0.15做时间序列ADF检验，返回的p值为0.028，则在0.05水平下__________（接受/拒绝）原假设。答案：拒绝30.在dbt的schema.yml中，为模型orders添加数据质量测试，要求customer_id非空且唯一，应写tests:–_________。答案：unique31.在Excel中，动态数组公式=TEXTSPLIT(A1,,";",1)的第三个参数1表示__________。答案：忽略空单元格32.某KafkaTopic有6分区，生产端指定key=order_id，若order_id哈希均匀，则消费组内最多可有__________个消费者同时并行。答案：633.在PostgreSQL中，通过__________扩展可支持JSONPath查询。答案：jsonb_path_query34.使用TensorBoard2.15的hparams插件时，必须在代码中回调__________写入超参。答案：hp.KerasCallback35.数据治理的“5W1H”模型中，How对应__________维度。答案：流程/技术五、简答题（每题10分，共30分）36.描述一次完整的实时特征回填（backfill）流程，要求：（1）不中断线上服务；（2）保证幂等；（3）兼容FlinkCheckpoint。答案：1)在Kafka新建回溯Topic，设置retention=7天，生产端双写。2)Flink作业使用UID算子，开启EXACTLY_ONCE，sink至带幂等键的RedisHash（key=feature#user#timestamp）。3)启动第二个Flink作业消费回溯Topic，时间范围定义在布隆过滤器内，使用ProcessFunction注册事件时间定时器，窗口结束时输出特征。4)通过Redis的Lua脚本实现compare-and-set，仅当版本号≥当前才更新，保证幂等。5)回填完成后，对比抽样样本与离线特征差异<0.1%，下线回溯作业并删除Topic。37.解释在多云环境下，如何用Terraform+Ansible实现数据平台一键灾备，并满足RPO<15分钟、RTO<1小时。答案：1)用Terraform定义跨Region的VPC、Subnet、Peering、S3Bucket（开启ReplicationTimeControl）。2)在备份云创建EMRonEKS、RedshiftServerless、MSK，通过DataSync每10分钟增量同步HDFS、RDS、Kafka。3)AnsiblePlaybook分三角色：infra、data-service、dns-switch。4)利用AWSLambda+EventBridge监听主RegionRDS的Binlog，写入备份云Kinesis，实现秒级流式同步。5)通过Route53的HealthCheck探测主RegionAPI，失败时Ansible触发Promote，修改Redshift快照为生产实例，并切换DNS权重，RTO实测38分钟；S3RTC保证RPO<15分钟。38.说明在深度学习中，如何用知识蒸馏解决小样本NER任务，并给出损失函数设计。答案：1)教师模型：在大规模通用语料预训练BERT-CRF，微调后F1=92.3%。2)学生模型：TinyBERT-6L，参数量1/10。3)损失函数：L=α·CE(y,true)+β·KL(softmax(z_T/τ),softmax(z_S/τ))+γ·MSE(h_T,h_S)，其中τ=4，α+β+γ=1，β=0.6。4)数据增强：采用SpanBERT随机替换实体，保持标签一致性，扩充5倍。5)训练策略：先蒸馏3epoch，再联合微调2epoch，小样本场景（每类50例）F1提升6.7%，达到87.9%。六、综合案例分析（25分）39.背景：某视频平台2026年4月上线“短剧”新频道，运营方需评估频道对整体用户时长的净增量。数据说明：–用户维度表：user_id,age,gender,city_level,register_date,is_treatment（是否被灰度）。–行为日志表：user_id,date,duration,channel（含short_drama）。–实验周期：2026-04-01至2026-04-14。–灰度规则：按user_id末位hash，实验组10%，对照组90%。–问题：(1)发现实验组在4月10日之后时长增速显著高于对照组，但KR指标（短剧频道DAU）同步上涨，如何排除“用户自选择”偏差？（8分）(2)给出双重差分（DiD）模型公式，并说明平行趋势检验步骤。（8分）(3)若实验组样本量仅5万，对照组45万，如何构造匹配样本提升精度？（5分）(4)最终测算出净增时长为+4.2分钟/人/日，如何向管理层解释该数字的商业价值？（4分）答案：(1)采用“EncouragementDesign”思路：a.以“是否被灰度”作为工具变量Z，建立两阶段最小二乘（