2025年易学数据分析题库及答案

2025年易学数据分析题库及答案一、单项选择题（每题2分，共10分）1.以下关于数据类型的描述中，正确的是（）A.客户满意度评分（1-5分）属于定距数据B.商品分类（食品/服饰/家电）属于定序数据C.温度（℃）属于定比数据D.员工工号属于定类数据答案：D解析：定类数据仅用于分类（如工号、性别），无顺序或数值意义；定序数据有顺序但无固定间隔（如满意度评分1-5分）；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（如收入、重量）。2.在描述性统计中，若某数据集的偏度系数为-1.2，说明数据分布（）A.右偏（正偏），尾部在右侧B.左偏（负偏），尾部在左侧C.对称分布D.无法判断答案：B解析：偏度系数为负时，数据左偏（负偏），均值小于中位数，尾部向左延伸；偏度系数为正时右偏。3.以下哪种场景最适合使用决策树算法？（）A.预测用户下一次购买时间（连续值）B.识别图像中的猫和狗（二分类）C.分析用户评论情感倾向（文本分类）D.降低高维数据维度（特征提取）答案：B解析：决策树适合分类问题（尤其是离散标签），预测连续值常用回归模型，文本分类需NLP预处理，降维常用PCA等方法。4.在A/B测试中，若对照组转化率为15%，实验组为18%，显著性水平α=0.05，p值=0.03，结论应为（）A.拒绝原假设，实验组效果显著优于对照组B.不拒绝原假设，两组无显著差异C.需扩大样本量重新测试D.实验组效果提升但不显著答案：A解析：p值<α（0.03<0.05），拒绝原假设（“两组无差异”），认为实验组有显著提升。5.以下关于数据清洗的步骤，正确的顺序是（）①处理缺失值②纠正异常值③转换数据格式④去重A.④→③→①→②B.③→④→②→①C.④→①→②→③D.③→④→①→②答案：A解析：数据清洗通常先去重（避免重复记录干扰），再统一格式（如日期标准化），接着处理缺失值（删除/填充），最后纠正异常值（如超过均值3σ的离群点）。二、简答题（每题8分，共32分）1.简述描述性统计与推断性统计的区别与联系。答案：区别：描述性统计通过均值、方差、频数分布等指标总结数据的特征（“是什么”），关注样本本身；推断性统计基于样本数据对总体特征进行估计或假设检验（“为什么”“未来如何”），需利用概率论（如t检验、置信区间）。联系：描述性统计是推断性统计的基础，前者为后者提供数据预处理和特征总结；推断性统计通过样本推断总体，需依赖描述性统计的结果验证假设。2.解释“过拟合”的概念，并说明两种常见的解决方法。答案：过拟合指模型在训练数据上表现极佳（误差极小），但在新数据（测试集）上表现差，原因是模型过度学习了训练数据中的噪声和细节，泛化能力弱。解决方法：①正则化：在损失函数中加入惩罚项（如L1/L2正则），限制模型复杂度（如减少决策树深度、限制神经网络权重大小）；②交叉验证：将数据划分为训练集、验证集、测试集，通过验证集调整超参数（如K折交叉验证），避免模型仅适配训练集；③增加数据量：更多数据可降低噪声对模型的影响（若数据允许）。3.简述皮尔逊相关系数与斯皮尔曼相关系数的适用场景。答案：皮尔逊相关系数（r）适用于两个连续变量呈线性关系的场景，要求数据服从正态分布，且变量间为定量关系（如身高与体重）。斯皮尔曼相关系数（ρ）是秩相关系数，适用于以下场景：①变量为定序数据（如满意度排名）；②数据不满足正态分布（如偏态分布的收入数据）；③变量间为非线性但单调的关系（如学习时间与成绩可能呈非线性但递增趋势）。4.说明在Excel中使用VLOOKUP函数时需注意的三个关键点。答案：①查找值必须在查找区域的首列：VLOOKUP默认从查找区域的第一列匹配值，若目标列不在首列需调整区域或使用INDEX+MATCH组合；②精确匹配与近似匹配：第四参数为0（FALSE）时是精确匹配（需完全一致），为1（TRUE）时是近似匹配（要求查找区域首列升序排列，返回小于等于查找值的最大值）；③处理文本与数值的格式差异：若查找值为文本（如“2023”）而查找区域为数值（2023），需统一格式（如用TEXT函数转换），否则可能匹配失败。三、计算题（每题12分，共36分）1.某电商平台2024年1-5月的销售额（单位：万元）如下：120、150、180、210、240。计算该数据集的均值、中位数、标准差（保留2位小数）。答案：均值=（120+150+180+210+240）/5=900/5=180万元；中位数：数据已排序，第3个数为180万元；标准差计算：各数据与均值的差：-60、-30、0、30、60；平方和：(-60)²+(-30)²+0²+30²+60²=3600+900+0+900+3600=9000；方差=9000/(5-1)=2250（样本方差，分母为n-1）；标准差=√2250≈47.43万元。2.某产品的广告投入（x，万元）与销量（y，千件）数据如下：x：5、10、15、20、25y：8、12、16、20、24计算x与y的皮尔逊相关系数，并判断线性相关程度（保留3位小数）。答案：步骤1：计算均值x̄=(5+10+15+20+25)/5=15；ȳ=(8+12+16+20+24)/5=16步骤2：计算分子（协方差部分）Σ(xi-x̄)(yi-ȳ)=(5-15)(8-16)+(10-15)(12-16)+(15-15)(16-16)+(20-15)(20-16)+(25-15)(24-16)=(-10)(-8)+(-5)(-4)+0+5×4+10×8=80+20+0+20+80=200步骤3：计算分母（x和y的标准差乘积）σx=√[Σ(xi-x̄)²/(n-1)]=√[(100+25+0+25+100)/4]=√(250/4)=√62.5≈7.906σy=√[Σ(yi-ȳ)²/(n-1)]=√[(64+16+0+16+64)/4]=√(160/4)=√40≈6.325分母=σx×σy×(n-1)=7.906×6.325×4≈200（注：皮尔逊系数公式也可简化为r=Σ(xi-x̄)(yi-ȳ)/[√Σ(xi-x̄)²×√Σ(yi-ȳ)²]）简化计算：Σ(xi-x̄)²=100+25+0+25+100=250；Σ(yi-ȳ)²=64+16+0+16+64=160r=200/√(250×160)=200/√40000=200/200=1.000结论：相关系数为1.000，说明x与y完全正线性相关。3.某网站用户注册页面有两个版本（A/B），A版测试1000人，注册成功200人；B版测试1200人，注册成功276人。检验B版注册率是否显著高于A版（α=0.05，Z检验）。答案：步骤1：计算注册率p̂A=200/1000=0.2；p̂B=276/1200=0.23步骤2：原假设H0：pB≤pA；备择假设H1：pB>pA（单侧检验）步骤3：计算合并概率p̄=(200+276)/(1000+1200)=476/2200≈0.2164步骤4：计算Z统计量Z=(p̂B-p̂A)/√[p̄(1-p̄)(1/nA+1/nB)]=(0.23-0.2)/√[0.2164×0.7836×(1/1000+1/1200)]=0.03/√[0.1706×(0.001+0.000833)]=0.03/√[0.1706×0.001833]≈0.03/√0.000313≈0.03/0.0177≈1.695步骤5：α=0.05，单侧检验临界值Z0.05=1.645；Z=1.695>1.645，拒绝H0结论：B版注册率显著高于A版（p值≈0.045<0.05）。四、案例分析题（每题11分，共22分）案例1：某社区超市2024年1-6月的销售额（万元）分别为：85、90、92、88、95、100。同时收集了同期的平均气温（℃）数据：12、15、18、20、22、25。超市经理想了解销售额与气温是否相关，并预测当气温为28℃时的销售额。（1）计算销售额与气温的相关系数（保留2位小数），判断相关方向与强度；（2）建立一元线性回归模型（y=α+βx），并预测气温28℃时的销售额（保留1位小数）。答案：（1）相关系数计算：x（气温）均值=（12+15+18+20+22+25）/6=112/6≈18.67℃y（销售额）均值=（85+90+92+88+95+100）/6=550/6≈91.67万元Σ(xi-x̄)(yi-ȳ)=(12-18.67)(85-91.67)+(15-18.67)(90-91.67)+(18-18.67)(92-91.67)+(20-18.67)(88-91.67)+(22-18.67)(95-91.67)+(25-18.67)(100-91.67)=(-6.67)(-6.67)+(-3.67)(-1.67)+(-0.67)(0.33)+(1.33)(-3.67)+(3.33)(3.33)+(6.33)(8.33)≈44.49+6.13-0.22-4.88+11.09+52.73≈110.34Σ(xi-x̄)²=(-6.67)²+(-3.67)²+(-0.67)²+(1.33)²+(3.33)²+(6.33)²≈44.49+13.47+0.45+1.77+11.09+40.07≈111.34Σ(yi-ȳ)²=(-6.67)²+(-1.67)²+(0.33)²+(-3.67)²+(3.33)²+(8.33)²≈44.49+2.79+0.11+13.47+11.09+69.49≈141.44r=110.34/√(111.34×141.44)=110.34/√15747.5≈110.34/125.5≈0.88结论：相关系数约为0.88，高度正相关，气温升高时销售额倾向于增加。（2）回归模型：β=Σ(xi-x̄)(yi-ȳ)/Σ(xi-x̄)²=110.34/111.34≈0.99α=ȳ-βx̄=91.67-0.99×18.67≈91.67-18.48≈73.19模型：y=73.19+0.99x当x=28℃时，y=73.19+0.99×28≈73.19+27.72≈100.9万元案例2：某金融APP用户流失预警项目中，分析团队提取了1000条用户数据，包含以下特征：年龄（岁）、月收入（元）、近30天登录次数、近6个月交易次数、是否开通自动还款（0/1）、是否流失（0/1，1为流失）。现需构建分类模型预测用户是否流失。（1）说明对各特征进行预处理的关键步骤；（2）若模型评估指标为准确率85%、召回率70%、F1值0.77，解释这些指标的含义，并分析模型在业务中的适用性。答案：（1）预处理步骤：①年龄、月收入（连续变量）：检查缺失值（如用均值/中位数填充），标准化（Z-score或Min-Max）消除量纲影响；②近30天登录次数、近6个月交易次数（离散计数变量）：若存在异常值（如登录次数>100），需核实或用分箱处理（如“0次”“1-5次”“6次以上”）；③是否开通自动还款（二分类变量）：无需处理，保持0/1格式；④目标变量“是否流失”：检查类别平衡（若流失用户仅占10%，需用SMOTE过采样或调整类别权重）。（2）指标含义与适用性：①准确率=（正确预测的用户数）/（总用户数）=85%，表示模型整体正确分类的比例；②召回率=（正确预测的流失用户数）/（实际流失用户数）=70%，