2025年数据技能测试题及答案大全

2025年数据技能测试题及答案大全一、数据基础概念1.以下数据类型分类中，正确的一组是（）A.用户性别（男/女）—定距数据；商品价格（元）—定比数据B.会员等级（普通/银卡/金卡）—定序数据；温度（℃）—定距数据C.产品类别（家电/服饰/食品）—定类数据；销售额同比增长率（%）—定序数据D.客户满意度评分（1-5分）—定比数据；订单状态（待支付/已发货/已完成）—定类数据答案：B解析：定类数据无顺序（如产品类别），定序数据有顺序但无固定间隔（如会员等级），定距数据有间隔但无绝对零点（如温度），定比数据有绝对零点（如价格、增长率）。A中性别是定类，C中增长率是定比，D中满意度评分是定序，因此选B。2.数据质量评估的核心指标不包括（）A.准确性B.一致性C.多样性D.完整性答案：C解析：数据质量五大核心指标为准确性（与真实值的匹配度）、完整性（无缺失字段）、一致性（跨表逻辑统一）、时效性（数据更新频率）、唯一性（无重复记录）。多样性属于数据特征而非质量指标。3.描述数据集中趋势的统计量是（），描述离散程度的是（）A.均值；方差B.中位数；相关系数C.众数；偏度D.分位数；峰度答案：A解析：集中趋势指标包括均值、中位数、众数；离散程度指标包括方差、标准差、极差。相关系数衡量相关性，偏度和峰度描述分布形态，分位数是位置指标，因此选A。二、数据分析与处理4.某电商平台2023年1-12月用户订单表（user_id,order_date,amount），需计算“2023年每月新用户（当月首次下单用户）的次月留存率”（留存定义为次月有至少1笔订单）。请写出SQL查询逻辑（需包含中间步骤）。答案：步骤1：标记用户首次下单月份WITHfirst_orderAS(SELECTuser_id,MIN(DATE_TRUNC('month',order_date))ASfirst_monthFROMordersWHEREorder_dateBETWEEN'2023-01-01'AND'2023-12-31'GROUPBYuser_id),步骤2：关联用户每月活跃情况monthly_activityAS(SELECTfo.first_month,DATE_TRUNC('month',o.order_date)ASactive_month,fo.user_idFROMfirst_orderfoLEFTJOINordersoONfo.user_id=o.user_idANDo.order_dateBETWEEN'2023-01-01'AND'2023-12-31'),步骤3：计算每月新用户数及次月留存数retentionAS(SELECTfirst_month,COUNT(DISTINCTuser_id)ASnew_users,COUNT(DISTINCTCASEWHENactive_month=first_month+INTERVAL'1month'THENuser_idEND)ASretained_usersFROMmonthly_activityGROUPBYfirst_month)SELECTfirst_monthASmonth,retained_users::FLOAT/new_usersASretention_rateFROMretentionWHEREfirst_month<'2023-12-01';-12月无次月数据5.用Excel处理某门店销售数据（字段：日期、商品ID、销量、单价），需完成以下操作：（1）计算每笔订单金额（销量×单价）；（2）按商品ID统计2023年总销量及销售额；（3）筛选出“2023年销售额TOP5的商品”。请写出具体操作步骤。答案：（1）订单金额计算：在E列（或空白列）输入公式“=C2D2”（C为销量，D为单价），下拉填充至所有记录。（1）订单金额计算：在E列（或空白列）输入公式“=C2D2”（C为销量，D为单价），下拉填充至所有记录。（2）总销量/销售额统计：①插入数据透视表（选中数据区域→插入→数据透视表）；②行标签选“商品ID”；③值区域添加“销量”（求和）、“订单金额”（求和）；④筛选器选“日期”→选择2023年所有月份。（3）TOP5筛选：①在数据透视表结果中添加辅助列“排名”，输入公式“=RANK(E2,E2:E100)”（E列为销售额）；②按“排名”升序排序，取前5条记录；或直接在数据透视表中使用“值筛选→前10项”，设置为“前5”。6.某数据集存在5%的缺失值，缺失模式为“完全随机缺失（MCAR）”。请列出3种常用的缺失值处理方法，并说明适用场景。答案：（1）删除法：删除含缺失值的记录或字段。适用于缺失比例极低（如<5%）且数据量充足时，避免引入偏差。（2）均值/中位数填充：数值型变量用均值（正态分布）或中位数（偏态分布）填充。适用于缺失与其他变量无关、数据分布稳定的场景。（3）回归填充：建立回归模型，用其他变量预测缺失值。适用于缺失值与其他变量有显著相关性时，可保留数据结构但可能过拟合。三、数据可视化7.以下业务场景中，最适合用折线图展示的是（）A.2023年各区域销售额占比B.某产品近30天日活跃用户（DAU）变化C.不同年龄层用户的购买偏好分布D.广告投放渠道的ROI对比答案：B解析：折线图适用于展示时间序列的趋势变化（如DAU随时间波动）。A用饼图/环形图，C用堆叠柱状图/雷达图，D用柱状图/箱线图。8.使用Tableau制作“2023年各季度手机销量及同比增长率”仪表盘，需包含以下元素：（1）主图表：同时展示销量（柱状）和增长率（折线）；（2）筛选器：支持按“品牌”和“地区”动态筛选；（3）提示信息：鼠标悬停时显示具体销量、增长率及同比变化值。请描述实现步骤。答案：（1）数据连接：导入包含“季度”“品牌”“地区”“销量”“同比增长率”的数据集。（2）主图表制作：①行功能区拖入“季度”（离散）；②列功能区拖入“销量”（度量→求和），选择“柱状图”；③列功能区再拖入“同比增长率”（度量→平均值），右键选择“双轴”；④调整折线图与柱状图的对齐方式（右键双轴→同步轴）；⑤标记卡中为折线图选择“线”类型。（3）筛选器添加：①左侧字段列表拖入“品牌”“地区”到筛选器区域；②右键筛选器→设置为“单值（下拉列表）”或“多选”。（4）提示信息设置：①双击“销量”标记卡→编辑工具提示；②插入字段“季度”“品牌”“地区”“销量”“同比增长率”；③公式计算同比变化值（如“增长率较上季度±X%”），添加到提示文本。9.避免可视化误导的关键原则包括（）（多选）A.坐标轴从0开始（除非特定场景）B.使用3D效果增强立体感C.明确标注数据来源和时间范围D.用不同颜色区分正负值答案：ACD解析：3D效果可能扭曲数据比例（如3D柱状图导致高度误判），属于常见误导手段。其他选项均为规范原则：坐标轴0点防止比例夸大，标注来源保证可信度，颜色区分增强可读性。四、数据挖掘与机器学习10.以下属于监督学习任务的是（）A.客户分群（聚类）B.预测用户是否会流失（分类）C.商品销售趋势预测（时间序列）D.文本主题提取（降维）答案：BC解析：监督学习需标签（如流失与否、销量数值），无监督学习无标签（如聚类、主题提取）。时间序列预测若基于历史标签数据（如已知过去销量），属于监督学习中的回归任务。11.某模型在训练集上准确率95%，测试集上准确率70%，最可能的原因是（）A.欠拟合B.过拟合C.数据泄露D.特征不足答案：B解析：过拟合表现为训练集效果好、测试集差（模型记忆了训练数据噪声）。欠拟合则两者效果均差，数据泄露是测试集包含训练集信息，特征不足会导致模型无法捕捉规律。12.对“用户购买金额”特征进行标准化处理，若原数据均值为500元，标准差为100元，某用户购买金额为700元，标准化后的值是（）答案：2解析：标准化公式为（X-μ）/σ，代入得（700-500）/100=2。13.评估分类模型性能时，若业务重点是“不漏掉潜在流失用户”（减少假负例），应优先关注哪个指标？请写出该指标的计算公式。答案：召回率（Recall）。召回率=真阳性（TP）/（真阳性+假阴性（FN））。当业务需尽可能识别所有正类样本（如流失用户），召回率越高，漏判的正类越少。五、大数据技术与应用14.以下关于Hadoop和Spark的描述，错误的是（）A.Hadoop的MapReduce适合离线批处理，Spark的RDD适合迭代计算B.HDFS存储数据，YARN负责资源调度C.SparkSQL支持ANSISQL，可直接查询Hive表D.Spark默认使用磁盘存储中间结果，Hadoop使用内存答案：D解析：Spark基于内存计算（中间结果存储在内存），HadoopMapReduce基于磁盘（频繁读写硬盘）。其他选项均正确：MapReduce适合批处理，YARN是资源管理器，SparkSQL兼容Hive。15.设计某电商大数据平台的数据分层架构，需包含ODS层（原始数据层）、DWD层（明细数据层）、DWS层（汇总数据层）、ADS层（应用数据层）。请说明各层的核心职责及典型处理操作。答案：（1）ODS层：原始数据归档，保持“数据原样”。职责是存储未加工的日志、数据库增量（如MySQLbinlog、埋点日志），处理操作包括数据清洗（去重、过滤乱码）、格式转换（JSON→Parquet）。（2）DWD层：明细数据整合，消除数据冗余。职责是构建统一的实体对象（如“用户”“订单”），处理操作包括关联多表（如订单与用户表JOIN）、补全维度信息（添加地区、商品类目）。（3）DWS层：主题汇总数据，支持快速查询。职责是按业务主题（如用户、商品、营销）汇总统计（如用户日活、商品周销量），处理操作包括按天/月聚合、计算留存率等指标。（4）ADS层：应用数据输出，直接对接业务。职责是存储报表、模型输入等最终数据（如BI看板数据、推荐模型特征），处理操作包括筛选TOPN、计算排名、格式适配（如导出为CSV供前端使用）。16.某物流平台需实时监控全国快递网点的包裹积压情况（数据实时流入，需按“省份+小时”统计积压量），应选择哪种流处理框架？请说明原因及核心实现步骤。答案：选择ApacheFlink。原因：Flink支持毫秒级低延迟实时计算，适合需要精确时间窗口（如小时级）和状态管理（如累计积压量）的场景，相比SparkStreaming的微批处理，Flink的事件时间处理更精准。实现步骤：（1）数据接入：通过Kafka消费实时数据流（字段：网点ID、省份、时间戳、积压量）。（2）时间窗口定义：使用EventTime（基于数据实际发生时间），设置1小时滚动窗口（TumblingWindow）。（3）分组聚合：按“省份”字段分组，窗口内对“积压量”求和。（4）状态管理：配置Checkpoint（如每5分钟保存状态），防止数据丢失。（5）结果输出：将统计结果写入Redis或ClickHouse，供监控页面实时展示。六、综合应用17.某生鲜电商需对用户进行分层运营，要求基于RFM模型（最近一次购买时间R、购买频率F、购买金额M）将用户分为“重要价值客户”“重要发展客户”“一般保持客户”等类别。请：（1）解释RFM各指标的计算方法；（2）说明如何根据RFM得分划分用户层级；（3）给出针对“重要发展客户”（高M、高F但低R）的运营策略。答案：（1）RFM指标计算：R（Recency）：用户最近一次购买日期与分析日期的间隔天数（如今天2024-01-01，用户最后购买日2023-12-20，则R=12天）。F（Frequency）：用户在固定周期（如近1年）内的购买次数。M（Monetary）：用户在固定周期内的总消费金额。（2）用户分层方法：①对R、F、M分别按降序排序，划分为5档（1-5分，R越小分越高，F/M越大分越高）；②组合得分：重要价值客户（R≥4,F≥4,M≥4），重要发展客户（R≤3,F≥4,M≥4），一般保持客户（R≥3,F≤3,M≤3）等；③或通过聚类算法（如K-Means）基于RFM值自动分组。（3）重要发展客户运营策略：该类用户消费能力强但近期活跃度下降，需唤醒复购。策略包括：个性化推送：根据历