2025年数据分析师职业技能水平评价试题及答案

2025年数据分析师职业技能水平评价试题及答案一、单项选择题（每题4分，共40分）1.某电商平台用户行为数据中，"支付时间"字段存在大量"1970-01-0100:00:00"的异常值，最合理的处理方式是：A.直接删除该字段B.用当日平均支付时间填充C.标记为"未支付"并分析其业务含义D.用最近7天支付时间的中位数填充2.对某连续变量进行分箱处理时，若要求各箱内样本分布满足卡方检验p值>0.05，这种分箱方法属于：A.等距分箱B.等频分箱C.卡方分箱D.决策树分箱3.以下SQL语句中，能正确计算每个用户2024年Q4购买频次（含退款订单）的是：A.SELECTuser_id,COUNT(DISTINCTorder_id)ASpurchase_countFROMordersWHEREorder_timeBETWEEN'2024-10-01'AND'2024-12-31'GROUPBYuser_id;B.SELECTuser_id,COUNT(CASEWHENrefund_timeISNULLTHENorder_idEND)ASpurchase_countFROMordersWHEREorder_timeBETWEEN'2024-10-01'AND'2024-12-31'GROUPBYuser_id;C.SELECTuser_id,COUNT(order_id)ASpurchase_countFROMordersWHEREorder_timeBETWEEN'2024-10-01'AND'2024-12-31'GROUPBYuser_id;D.SELECTuser_id,SUM(CASEWHENrefund_timeISNOTNULLTHEN1ELSE0END)ASpurchase_countFROMordersWHEREorder_timeBETWEEN'2024-10-01'AND'2024-12-31'GROUPBYuser_id;4.在Python中使用Scikit-learn训练逻辑回归模型时，若出现"ConvergenceWarning:lbfgsfailedtoconverge"，最可能的原因是：A.特征未进行标准化处理B.样本类别严重不平衡C.学习率设置过大D.正则化参数C设置为05.分析某App用户留存时，若次日留存率=（当日新增用户中次日活跃用户数）/当日新增用户数，该指标的缺陷在于：A.未考虑用户使用时长B.未区分主动退出与被动流失C.未排除活动期间的异常新增D.未考虑不同渠道新增用户的差异6.对某网站流量数据进行时间序列分析时，ADF检验p值=0.01（显著性水平0.05），说明该序列：A.存在单位根，是平稳序列B.不存在单位根，是平稳序列C.存在单位根，是非平稳序列D.不存在单位根，是非平稳序列7.设计用户分群模型时，若希望群内用户在"客单价""购买频次""最近购买时间"三个维度上具有高相似性，最适合的算法是：A.K-meansB.DBSCANC.层次聚类D.高斯混合模型（GMM）8.某A/B测试中，实验组转化率12%（样本量5000），对照组转化率10%（样本量5000），使用双样本Z检验计算p值=0.003，正确结论是：A.实验组与对照组无显著差异B.实验组转化率比对照组高2个百分点，具有实际显著性C.在95%置信水平下，拒绝原假设，认为存在统计显著性D.由于p值<0.05，应立即推广实验组方案9.处理高维稀疏特征（如用户标签）时，以下降维方法中最不适用的是：A.PCA（主成分分析）B.LDA（线性判别分析）C.TruncatedSVD（截断奇异值分解）D.t-SNE（t分布随机邻域嵌入）10.某企业数据仓库中，事实表存储订单明细，维度表包括用户、商品、时间维度。要计算"2024年各省份手机类商品销售额"，需关联的表不包括：A.订单事实表B.用户维度表（含省份信息）C.商品维度表（含品类信息）D.时间维度表（含年份信息）二、简答题（每题10分，共40分）1.简述数据清洗中处理异常值的常用方法及其适用场景。2.说明随机森林（RandomForest）与梯度提升树（GBDT）在原理上的主要区别。3.设计用户生命周期价值（LTV）预测模型时，需考虑哪些关键指标？请列举5个并说明其业务意义。4.当使用Python的matplotlib绘制多子图时，若出现子图标题重叠、坐标轴刻度混乱的问题，可采取哪些优化措施？三、实操题（每题20分，共40分）1.（SQL）某电商数据库包含以下表结构：users（user_idINT,reg_timeDATETIME,cityVARCHAR(20)）orders（order_idINT,user_idINT,order_timeDATETIME,amountDECIMAL(10,2),statusVARCHAR(10)）其中orders.status可取'paid'（已支付）、'refunded'（已退款）、'pending'（待支付）。要求：计算2024年每个城市的「有效GMV」（有效GMV=已支付订单金额-已退款订单金额，同一订单可能先支付后退款），输出字段：city,effective_gmv（保留2位小数）。2.（Python）使用Pandas处理某用户行为数据集（数据路径：'user_behavior.csv'），包含以下字段：user_id（用户ID）event_time（事件时间，格式：'2024-08-1514:30:00'）event_type（事件类型：'click','add_to_cart','purchase'）product_id（商品ID）要求：（1）筛选出2024年8月所有用户的行为数据；（2）计算每个用户的「购物车转化率」（购物车转化率=购买事件数/加入购物车事件数，保留4位小数，若分母为0则标记为'--'）；（3）将结果按购物车转化率降序排序，输出前20名用户。四、综合分析题（40分）某在线教育平台拟分析"付费课程推广页"的优化效果，现提供以下数据：基础数据：推广页访问用户ID、访问时间、用户来源（自然流量/广告投放）、用户属性（年龄、性别、教育程度）行为数据：页面停留时长、点击课程详情次数、添加咨询次数、付费转化标志（1=转化，0=未转化）对比数据：优化前30天（A组）和优化后30天（B组）的各指标数据请设计分析方案，要求包含以下内容：（1）核心分析目标与关键指标定义；（2）数据预处理步骤（至少3项）；（3）需验证的假设（至少2个）及对应的分析方法；（4）结论输出的维度（至少4个）。答案一、单项选择题1.C2.C3.C4.A5.C6.B7.A8.C9.B10.B二、简答题1.处理异常值的常用方法及适用场景：（1）删除法：适用于异常值占比极低（<5%）且不影响整体分布的情况，如实验数据中的仪器误差值；（2）替换法：①均值/中位数填充：适用于正态分布或对称分布的连续变量（如用户年龄）；②边界值替换（盖帽法）：适用于有明确业务边界的变量（如商品价格不超过类目上限）；③插值法（线性/多项式插值）：适用于时间序列数据中的局部异常（如某小时的流量突增）；（3）保留法：适用于异常值本身具有业务意义的情况（如高客单价的VIP订单），需单独分析其分布特征。2.随机森林与GBDT的原理区别：（1）集成方式：随机森林是并行集成（Bagging），每棵树独立训练；GBDT是串行集成（Boosting），每棵树拟合前序模型的残差；（2）树的类型：随机森林通常使用完全生长的决策树（高方差）；GBDT使用弱学习器（如深度2-5的树）；（3）目标函数：随机森林通过投票/平均减少方差；GBDT通过梯度下降最小化损失函数；（4）对异常值的敏感性：随机森林鲁棒性更强，GBDT易受异常值影响。3.LTV预测模型的关键指标及意义：（1）历史购买频次：反映用户活跃度，高频用户未来贡献可能更高；（2）平均客单价：衡量用户消费能力，高客单价用户LTV上限更高；（3）最近购买时间（R值）：反映用户活跃程度，近期购买用户流失风险更低；（4）用户生命周期阶段：如新客/老客/沉睡客，不同阶段的LTV预测需差异化建模；（5）营销成本占比：计算CLV（客户终身价值）时需扣除获取/维系成本，避免高估实际收益。4.matplotlib多子图优化措施：（1）调整子图布局：使用plt.tight_layout()自动优化间距；（2）自定义标题位置：通过ax.set_title(y=1.05)提升标题位置；（3）设置坐标轴刻度：使用ax.set_xticks()/ax.set_yticks()指定刻度值，或ax.tick_params(axis='x',rotation=45)旋转刻度标签；（4）分离子图尺寸：通过gridspec_kw={'height_ratios':[2,1]}设置子图高度比例；（5）隐藏冗余坐标轴：使用ax.set_xticklabels([])或ax.axis('off')隐藏无意义刻度。三、实操题1.SQL解答：SELECTu.city,ROUND(SUM(CASEWHENo.status='paid'THENo.amountWHENo.status='refunded'THEN-o.amountELSE0END),2)ASeffective_gmvFROMusersuLEFTJOINordersoONu.user_id=o.user_idANDYEAR(o.order_time)=2024WHEREo.statusIN('paid','refunded')GROUPBYu.city;2.Python解答：（1）筛选8月数据：importpandasaspddf=pd.read_csv('user_behavior.csv',parse_dates=['event_time'])df_aug=df[df['event_time'].dt.month==8]（2）计算购物车转化率：按用户和事件类型计数event_counts=df_aug.groupby(['user_id','event_type']).size().unstack(fill_value=0)计算转化率event_counts['cart_conversion']=event_counts.apply(lambdarow:round(row['purchase']/row['add_to_cart'],4)ifrow['add_to_cart']!=0else'--',axis=1)（3）排序输出前20：result=event_counts[['cart_conversion']].reset_index().sort_values(by='cart_conversion',ascending=False,na_position='last').head(20)print(result)四、综合分析题（1）核心分析目标：评估推广页优化对用户转化的影响，识别关键优化点；关键指标：①总体转化率（转化用户数/访问用户数）；②平均页面停留时长；③咨询添加率（添加咨询用户数/访问用户数）；④广告投放ROI（转化金额/广告成本）。（2）数据预处理步骤：①时间对齐：统一优化前后数据的时间周期（如均取工作日，排除节假日影响）；②去重处理：删除同一用户同一天内的重复访问记录（保留首次/末次访问）；③缺失值处理：用户属性缺失时，用同来源（自然流量/广告）的众数填充；④异常值过滤：剔除页面停留时长>3600秒的记录（视为无效访问）。（3）需验证的假设及方法：①假设：优化后推广页对25-35岁用户的转化率提升更显著；分析方法：按年龄分层（20岁以下/25