2025年数据分析师认证考试模拟试题及答案解析

2025年数据分析师认证考试模拟试题及答案解析一、单项选择题（每题2分，共20分）1.某数据集的均值为35，中位数为30，该数据分布更可能呈现（）A.左偏态（负偏态）B.右偏态（正偏态）C.正态分布D.均匀分布2.在假设检验中，若原假设为H₀:μ=μ₀，备择假设为H₁:μ≠μ₀，当样本量固定时，增大显著性水平α会导致（）A.第一类错误概率降低，第二类错误概率升高B.第一类错误概率升高，第二类错误概率降低C.两类错误概率同时降低D.两类错误概率同时升高3.对某电商用户行为数据清洗时，发现“支付金额”字段存在-50元的记录，最合理的处理方式是（）A.直接删除该条记录B.用该字段均值填充C.检查业务逻辑，确认是否为退款记录D.用相邻记录的中位数填充4.以下SQL语句中，能正确计算2024年10月各商品分类的平均客单价（客单价=总销售额/下单用户数）的是（）A.SELECTcategory,AVG(sales_amount/user_count)ASavg_priceFROMorder_tableWHEREorder_dateBETWEEN'2024-10-01'AND'2024-10-31'GROUPBYcategory;B.SELECTcategory,SUM(sales_amount)/COUNT(DISTINCTuser_id)ASavg_priceFROMorder_tableWHEREorder_dateBETWEEN'2024-10-01'AND'2024-10-31'GROUPBYcategory;C.SELECTcategory,SUM(sales_amount)/COUNT(user_id)ASavg_priceFROMorder_tableWHEREorder_dateBETWEEN'2024-10-01'AND'2024-10-31'GROUPBYcategory;D.SELECTcategory,AVG(sales_amount)/AVG(user_id)ASavg_priceFROMorder_tableWHEREorder_dateBETWEEN'2024-10-01'AND'2024-10-31'GROUPBYcategory;5.两组变量的Pearson相关系数为0.85，但散点图显示二者关系为曲线型，此时最合理的结论是（）A.变量间存在强线性相关关系B.相关系数被高估，需用Spearman相关系数重新计算C.变量间无实际关联D.样本量不足导致结果偏差6.某A/B测试中，实验组转化率为12%，对照组为10%，p值=0.03（α=0.05），以下结论正确的是（）A.实验组转化率显著高于对照组，可推广方案B.因p值小于α，拒绝原假设，认为两组有差异C.需增大样本量重新测试，避免第一类错误D.转化率提升2%无实际业务价值，应忽略7.特征工程中，对“用户注册时间”（格式为'2024-01-1514:30:00'）进行处理时，最不相关的衍生特征是（）A.注册月份（1-12）B.注册时是否为周末C.注册到当前的天数D.注册IP地址的前三位8.某分类模型的混淆矩阵如下（行：真实类别，列：预测类别）：正类负类正类8515负类2080该模型的F1分数为（）A.0.85B.0.80C.0.829D.0.7699.时间序列分解中，若数据呈现每年12月销售额显著高于其他月份的规律，该部分属于（）A.长期趋势（Trend）B.季节变动（Seasonality）C.循环变动（Cycle）D.随机波动（Irregular）10.数据可视化时，展示2020-2024年各季度某产品销售额变化趋势，最适合的图表是（）A.热力图B.箱线图C.折线图D.散点图二、多项选择题（每题3分，共15分，少选得1分，错选不得分）1.数据清洗过程中，处理缺失值的常用方法包括（）A.删除缺失比例超过80%的变量B.用变量均值填充数值型缺失值C.用KNN算法根据其他变量预测缺失值D.将缺失值单独作为一个类别（如“未知”）2.以下场景中，适合使用卡方检验的有（）A.比较两组用户的性别分布是否有差异（性别：男/女）B.检验年龄（连续变量）与购买意愿（是/否）的相关性C.分析不同广告投放渠道（A/B/C）的转化率是否有差异D.验证某药物疗效（有效/无效）与患者血型（A/B/O/AB）的关联3.Python中，常用于数据探索性分析（EDA）的库或功能包括（）A.pandas的describe()方法B.seaborn的pairplot()函数C.scikit-learn的train_test_split()D.matplotlib的hist()函数4.特征选择时，常用的过滤法（Filter）包括（）A.互信息法（MutualInformation）B.递归特征消除（RFE）C.卡方检验D.随机森林的特征重要性5.设计用户留存率指标时，需考虑的关键因素有（）A.留存周期（如次日留存、7日留存）B.用户首次行为定义（如注册、首次购买）C.数据统计口径（如是否去重）D.行业平均留存水平三、计算题（每题8分，共40分）1.某数据集的“年龄”字段数据如下（已排序）：22,25,28,30,32,35,38,40,42,45。计算该数据的下四分位数（Q1）和上四分位数（Q3）。2.某电商用户行为表（user_behavior）包含字段：user_id（用户ID）、login_date（登录日期）、order_flag（是否下单，1=是，0=否）。已知2024年11月1日有1000名用户登录，其中700名用户在11月1日下单；11月2日有800名用户登录（其中500名是11月1日已登录用户），400名用户在11月2日下单。计算：（1）11月1日的登录用户次日留存率（留存定义为11月2日再次登录）；（2）11月2日的新登录用户下单率（新登录用户指11月1日未登录的用户）。3.某数据库中有订单表（orders），字段包括order_id（订单ID）、user_id（用户ID）、order_time（订单时间）、amount（订单金额）。编写SQL语句，查询2024年第四季度（10-12月）每个用户的首单时间、末单时间及总消费金额（要求首单时间最早，末单时间最晚）。4.用简单线性回归模型预测某商品销量（Y）与广告投入（X）的关系，根据10组样本数据计算得：∑X=500，∑Y=1200，∑XY=65000，∑X²=30000，∑Y²=150000。计算回归方程的斜率b₁和截距b₀，并解释斜率的实际意义。5.某A/B测试中，对照组和实验组的样本量均为2000，对照组转化率为8%，实验组转化率为10%。计算两组转化率差异的Z统计量（Z=(p₁-p₂)/√[p(1-p)(1/n₁+1/n₂)]，其中p=(n₁p₁+n₂p₂)/(n₁+n₂)），并判断在α=0.05（双侧检验）下是否显著（Z临界值为±1.96）。四、案例分析题（共25分）背景：某生鲜电商平台2024年Q4上线“次日达”配送功能，现需分析该功能对用户留存的影响。数据团队提供了以下数据表：用户表（users）：user_id（用户ID），register_time（注册时间），is_new（是否新用户，1=是，0=否），device_type（设备类型，安卓/苹果）。行为表（behavior）：user_id，action_time（行为时间），action_type（行为类型：浏览/加购/下单），function_used（是否使用“次日达”功能，1=是，0=否）。留存表（retention）：user_id，retention_7d（7日留存，1=留存，0=未留存）。数据说明：7日留存定义为用户注册后7天内有至少一次登录行为；分析样本为2024年10月注册的用户，共10000人，其中5000人使用过“次日达”功能（实验组），5000人未使用（对照组）；实验组与对照组的新用户比例、设备类型分布无显著差异（p>0.05）。问题：1.（5分）为验证“次日达”功能是否提升用户7日留存，需计算哪些核心指标？请列出指标定义及计算公式。2.（8分）假设实验组7日留存率为65%，对照组为55%，p值=0.01（α=0.05），请解释统计结果并给出业务结论。3.（6分）进一步分析发现，使用“次日达”的用户中，安卓用户留存率（70%）显著高于苹果用户（58%）（p=0.003），可能的原因有哪些？需补充哪些数据验证假设？4.（6分）若要构建预测用户7日留存的模型，需进行哪些特征工程步骤？请说明每个步骤的具体操作。答案及解析一、单项选择题1.答案：B解析：均值>中位数时，数据分布右偏（正偏态），右侧有较长尾巴，拉高水平均值。2.答案：B解析：α是第一类错误（弃真）的概率，增大α会降低拒绝原假设的门槛，导致第一类错误概率升高，同时第二类错误（取伪）概率降低（二者此消彼长）。3.答案：C解析：异常值需先结合业务逻辑判断，-50元可能是退款记录，直接删除或填充会丢失业务信息。4.答案：B解析：客单价=总销售额/下单用户数，总销售额用SUM(sales_amount)，下单用户数用COUNT(DISTINCTuser_id)去重。5.答案：B解析：Pearson相关系数衡量线性相关，曲线关系下需用Spearman（基于秩次）或Kendall相关系数。6.答案：B解析：p值<α时拒绝原假设（原假设为两组无差异），但需结合业务意义判断是否推广（如提升2%是否覆盖成本）。7.答案：D解析：注册IP前三位与留存无直接关联，其他选项（月份、周末、注册时长）可能影响用户行为。8.答案：C解析：精确率P=85/(85+20)=0.8095，召回率R=85/(85+15)=0.85，F1=2PR/(P+R)=2×0.8095×0.85/(0.8095+0.85)=0.829。9.答案：B解析：季节变动指固定周期（如12个月）的规律性波动，循环变动周期不固定（如经济周期）。10.答案：C解析：折线图适合展示时间序列的趋势变化。二、多项选择题1.答案：ABCD解析：缺失值处理需根据缺失比例、变量类型选择方法，选项均为常用策略。2.答案：ACD解析：卡方检验用于分类变量间的独立性检验，B中年龄是连续变量，需用t检验或Logistic回归。3.答案：ABD解析：train_test_split用于划分训练集和测试集，不属于EDA。4.答案：AC解析：过滤法基于统计量筛选特征（如互信息、卡方），RFE（包裹法）和随机森林重要性（嵌入法）属于其他类别。5.答案：ABC解析：留存率设计需明确周期、首次行为和统计口径，行业水平是参考而非设计因素。三、计算题1.解析：数据共10个，n=10，Q1位置=(10+1)/4=2.75，Q1=第2个数+0.75×(第3个数-第2个数)=25+0.75×(28-25)=27.25；Q3位置=3×(10+1)/4=8.25，Q3=第8个数+0.25×(第9个数-第8个数)=40+0.25×(42-40)=40.5。2.解析：（1）次日留存率=11月2日登录且11月1日登录的用户数/11月1日登录用户数=500/1000=50%；（2）11月2日新登录用户=800-500=300人，新用户下单率=新用户中下单数/新用户数。11月2日总下单400人，其中可能包含11月1日已登录用户的下单数，但题目未明确，假设400人全为新用户下单（或需补充说明），则下单率=400/300≈133.3%（不合理，实际应明确“新用户下单数”，正确应为：若11月2日下单用户中有x名是新用户，则下单率=x/300。题目可能存在表述歧义，按合理假设，正确计算应为新用户下单数=400（11月1日登录且11月2日下单的用户数），但题目未提供，故可能题目简化为400/300≈133.3%，但实际应修正为“假设400名下单用户中，300名是新用户”，则下单率=300/300=100%。需根据题目意图调整，此处可能为出题疏漏，正确思路是区分新老用户下单数。3.SQL语句：SELECTuser_id,MIN(order_time)ASfirst_order_time,MAX(order_time)ASlast_order_time,SUM(amount)AStotal_amountFROMordersWHEREorder_timeBETWEEN'2024-10-01'AND'2024-12-31'GROUPBYuser_id;4.解析：n=10，X̄=500/10=50，Ȳ=1200/10=120；b₁=(n∑XY∑X∑Y)/(n∑X²(∑X)²)=(10×65000500×1200)/(10×30000500²)=(650000-600000)/(300000-250000)=50000/50000=1；b₀=Ȳb₁X̄=1201×50=70；回归方程：Y=70+1X，斜率表示广告投入每增加1单位，销量平均增加1单位。5.解析：p=(2000×0.08+2000×0.10)/(2000+2000)=(160+200)/4000=360/4000=0.09；Z=(0.10-0.08)/√[0.09×(1-0.09)×(1/2000+1/2000)]=0.02/√[0.0819×0.001]=0.02/0.00905≈2.21；Z=2.21>1.96，拒绝原假设，差异显著。四、案例分析题1.核心指标：实验组7日留存率=实验组留存用户数/实验组总用户数×100%；对照组7日留存率=对照组留存用户数/对照组总用户数×100%；留存率提升幅度=(实验组留存率-对照组留存率)/对照组留存率×100%；绝对差异=实验组留存率-对照组留存率。2.统计结