2025年数据分析师认证考试模拟题库及答案

2025年数据分析师认证考试模拟题库及答案一、单项选择题（每题2分，共20分）1.某电商平台用户行为数据中，“支付时间”字段存在“2024-02-30”“2024-13-05”等记录，此类异常属于：A.逻辑错误型异常B.数值型异常C.格式型异常D.缺失型异常答案：A（解析：日期字段中月份超过12或日期超过当月最大天数，属于逻辑规则冲突的异常）2.对某连续变量进行Z-score标准化后，若某样本的Z值为2.5，总体标准差为3，均值为10，则该样本原始值为：A.17.5B.15.5C.12.5D.7.5答案：A（解析：Z=(X-μ)/σ→X=Zσ+μ=2.53+10=17.5）3.以下哪项最适合用箱线图展示？A.2023年各月份销售额趋势B.不同地区用户年龄分布的离散程度C.产品类别与复购率的相关性D.广告投放渠道的转化率对比答案：B（解析：箱线图主要用于展示数据分布的离散程度和异常值，适合比较多组数据的分布差异）4.SQL语句中，若要计算每个用户最近一次购买时间（按订单时间降序），应使用的窗口函数是：A.ROW_NUMBER()B.RANK()C.DENSE_RANK()D.LAST_VALUE()答案：A（解析：ROW_NUMBER()可按排序提供唯一序号，配合OVER(PARTITIONBYuser_idORDERBYorder_timeDESC)取序号1的记录即为最近一次购买时间）5.在Python中，使用pandas处理DataFrame时，若要将“性别”列的“男/女”转换为数值1/0，最优方法是：A.df['性别']=df['性别'].apply(lambdax:1ifx=='男'else0)B.df['性别']=df['性别'].map({'男':1,'女':0})C.df['性别']=np.where(df['性别']=='男',1,0)D.以上方法效率相同答案：B（解析：map方法针对字典映射的转换效率高于apply和np.where，尤其在数据量大时性能更优）6.某数据集偏度系数为-1.2，说明数据分布：A.左偏（负偏），均值小于中位数B.左偏，均值大于中位数C.右偏（正偏），均值小于中位数D.右偏，均值大于中位数答案：A（解析：偏度为负时，数据左偏，长尾在左侧，均值受左侧极端值影响小于中位数）7.进行A/B测试时，若将对照组和实验组的用户按注册时间分层抽样，主要目的是：A.提高统计检验效力B.控制混杂变量（如注册时间对结果的影响）C.减少样本量需求D.简化实验流程答案：B（解析：分层抽样通过将影响结果的关键变量（如注册时间）分层，确保两组在该变量上分布一致，避免其成为混杂因素）8.某模型预测用户流失的混淆矩阵如下（实际流失/未流失为行，预测为列）：预测流失预测未流失实际流失8020实际未流失30170则模型的精确率（Precision）为：A.80/(80+20)=0.8B.80/(80+30)=0.727C.(80+170)/(80+20+30+170)=0.9D.80/(80+20+30+170)=0.267答案：B（解析：精确率=TP/(TP+FP)=80/(80+30)=0.727）9.以下哪项不属于特征工程中的降维方法？A.主成分分析（PCA）B.线性判别分析（LDA）C.互信息（MutualInformation）D.t-分布邻域嵌入（t-SNE）答案：C（解析：互信息用于衡量特征与目标变量的相关性，属于特征选择方法，而非降维）10.某时间序列数据的ACF（自相关函数）在滞后1阶显著，滞后2阶及以上不显著，PACF（偏自相关函数）在滞后1-3阶显著，最可能的模型是：A.AR(3)B.MA(1)C.ARMA(1,3)D.ARIMA(1,0,1)答案：A（解析：AR模型的PACF在p阶后截尾，ACF拖尾；MA模型的ACF在q阶后截尾，PACF拖尾。本题PACF滞后1-3阶显著，符合AR(3)特征）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.删除缺失值超过阈值的列B.用均值/中位数填充数值型变量C.用众数填充分类型变量D.构建模型预测缺失值答案：ABCD（解析：四种方法均为缺失值处理的常规手段，需根据数据特点选择）2.以下关于假设检验的描述正确的是：A.显著性水平α是犯I型错误的概率B.增大样本量可同时降低I型和II型错误概率C.若p值<α，则拒绝原假设D.原假设通常为“无差异”或“无效果”答案：ABCD（解析：所有选项均符合假设检验的基本概念）3.SQL中，关于JOIN操作的描述正确的是：A.INNERJOIN返回两表匹配的行B.LEFTJOIN返回左表所有行，右表不匹配的部分用NULL填充C.FULLOUTERJOIN可能产生大量NULL值D.CROSSJOIN会提供两表行数的笛卡尔积答案：ABCD（解析：四者均为JOIN操作的正确描述）4.Python中，使用sklearn进行逻辑回归模型训练时，以下操作正确的是：A.对分类型特征进行独热编码（One-HotEncoding）B.对数值型特征进行标准化（StandardScaler）C.用GridSearchCV进行超参数调优D.用R²作为模型评估指标答案：ABC（解析：逻辑回归是分类模型，评估指标应为准确率、AUC等，R²用于回归模型）5.分析用户生命周期价值（LTV）时，需考虑的核心指标包括：A.客户获取成本（CAC）B.平均订单价值（AOV）C.客户留存率（RetentionRate）D.复购频率（RepeatPurchaseRate）答案：BCD（解析：LTV计算通常基于历史购买数据，核心是客户在生命周期内的收入贡献，CAC是成本指标，不直接影响LTV计算但用于评估盈利性）三、简答题（每题8分，共40分）1.简述数据清洗的主要步骤及各步骤的目的。答案：数据清洗主要包括以下步骤：（1）识别缺失值：通过isnull()、sum()等方法统计各字段缺失比例，明确需要处理的对象；（2）处理缺失值：根据业务意义选择删除（缺失率过高）、填充（均值/中位数/众数、插值法、模型预测）等方式，避免信息丢失；（3）检测异常值：使用Z-score、IQR、箱线图等方法识别偏离正常范围的数据点，判断是记录错误（修正/删除）还是真实极端值（保留）；（4）纠正数据格式：统一日期格式（如“2024/02/01”改为“2024-02-01”）、数值类型（如“1,000”转为1000），确保后续计算正确；（5）处理重复值：通过drop_duplicates()删除完全重复的记录，避免重复数据影响统计结果；（6）一致性检查：验证逻辑矛盾（如“出生日期”晚于“注册时间”），修正或标记异常。2.解释混淆矩阵中准确率（Accuracy）、精确率（Precision）、召回率（Recall）的区别，并说明在“预测癌症患者”场景中更关注哪个指标。答案：准确率=（TP+TN）/(TP+TN+FP+FN)，表示整体预测正确的比例；精确率=TP/(TP+FP)，表示预测为正类的样本中实际为正类的比例（关注“预测阳性的可靠性”）；召回率=TP/(TP+FN)，表示实际正类样本中被正确预测的比例（关注“漏诊率”）。在癌症预测场景中，漏诊（FN）会导致患者错过治疗，后果严重，因此更关注召回率，需尽可能提高模型识别真实阳性的能力。3.写出SQL语句实现以下需求：统计2023年每个月份，各商品类别（category）的总销售额（sales）及销售额环比增长率（与上月相比）。答案：WITHmonthly_salesAS(SELECTDATE_TRUNC('month',order_date)ASmonth,category,SUM(sales)AStotal_salesFROMordersWHEREorder_dateBETWEEN'2023-01-01'AND'2023-12-31'GROUPBYmonth,category)SELECTmonth,category,total_sales,(total_salesLAG(total_sales)OVER(PARTITIONBYcategoryORDERBYmonth))/LAG(total_sales)OVER(PARTITIONBYcategoryORDERBYmonth)ASmom_growthFROMmonthly_sales;解析：使用CTE先计算每月各品类的总销售额，再通过LAG窗口函数获取上月销售额，计算环比增长率。4.简述Python中使用pandas进行特征衍生的常见方法（至少4种），并举例说明。答案：（1）时间特征提取：从“订单时间”字段提取月份、周几、是否为周末等（如df['month']=df['order_time'].dt.month）；（2）比率/差值特征：计算“客单价”=总销售额/订单量（df['avg_price']=df['total_sales']/df['order_count']）；（3）分箱（分桶）：将连续年龄分为“0-18”“19-30”等区间（pd.cut(df['age'],bins=[0,18,30,50,100])）；（4）滞后特征：获取用户前一次购买时间间隔（df['last_order_gap']=df['order_time']df.groupby('user_id')['order_time'].shift(1)）；（5）独热编码：将分类型变量“支付方式”（支付宝、微信、银行卡）转换为虚拟变量（pd.get_dummies(df['payment_method'])）。5.某短视频APP发现近30日用户日均使用时长下降5%，请设计分析思路（需包含数据验证、维度拆解、原因假设及验证方法）。答案：（1）数据验证：确认数据口径（如是否包含新用户/老用户、是否覆盖全平台）、检查埋点日志是否异常（如“退出时间”字段缺失导致时长计算错误）；（2）维度拆解：按用户属性（新/老用户、年龄、地区）、行为（观看类型：短视频/直播、互动行为：点赞/评论）、时间（分时段：早/中/晚）拆解，定位具体下降群体；（3）原因假设与验证：假设1：新用户留存率下降→验证：对比30日前与当前的7日留存率，分析注册流程是否优化（如加载时长增加）；假设2：内容质量下降→验证：计算优质内容（完播率>80%）占比，对比历史数据；分析用户反馈（评论、客服记录）是否提及“内容重复”；假设3：竞品分流→验证：获取第三方数据（如QuestMobile）查看竞品同期用户增长情况，分析是否有大型活动（如某竞品推出独家剧集）；假设4：功能更新影响→验证：查看版本更新时间点，对比更新前后各功能使用时长（如“搜索”“关注页”时长是否下降）。四、实操题（共25分）【背景】某电商平台提供以下用户行为数据（表名：user_behavior），字段包括：user_id（用户ID）、behavior_type（行为类型：1=浏览，2=收藏，3=加购，4=购买）、item_id（商品ID）、time（行为时间，格式：2023-10-0114:30:00）。任务1（10分）：用SQL计算2023年10月的月活用户数（MAU）、该月新用户的次日留存率（新用户定义为2023年10月首次活跃的用户）。答案：月活用户数SELECTCOUNT(DISTINCTuser_id)ASmauFROMuser_behaviorWHEREtimeBETWEEN'2023-10-0100:00:00'AND'2023-10-3123:59:59';新用户次日留存率WITHfirst_activeAS(SELECTuser_id,MIN(DATE(time))ASfirst_dateFROMuser_behaviorWHEREDATE(time)BETWEEN'2023-10-01'AND'2023-10-31'GROUPBYuser_id),retained_usersAS(SELECTfa.user_id,COUNT(DISTINCTub.user_id)ASis_retainedFROMfirst_activefaLEFTJOINuser_behaviorubONfa.user_id=ub.user_idANDDATE(ub.time)=fa.first_date+INTERVAL1DAYGROUPBYfa.user_id)SELECTCOUNT(DISTINCTfa.user_id)ASnew_users,COUNT(DISTINCTCASEWHENru.is_retained>0THENfa.user_idEND)ASretained_users,COUNT(DISTINCTCASEWHENru.is_retained>0THENfa.user_idEND)1.0/COUNT(DISTINCTfa.user_id)ASretention_rateFROMfirst_activefaLEFTJOINretained_usersruONfa.user_id=ru.user_id;任务2（15分）：用Python编写代码，基于该数据完成以下操作（要求输出关键步骤注释）：（1）读取CSV文件（路径：'user_behavior.csv'），并将time字段转换为datetime类型；（2）计算每个用户的“购买转化率”（购买行为次数/总行为次数），并筛选转化率TOP10的用户；（3）绘制“行为类型”的分布饼图，要求添加百分比标签，标题为“2023年10月用户行为类型分布”。答案：importpandasaspdimportmatplotlib.pyplotasplt（1）读取数据并转换时间格式df=pd.read_csv('user_behavior.csv')df['time']=pd.to_datetime(df['time'])转换为datetime类型（2）计算购买转化率并筛选TOP10用户统计每个用户各行为类型的次数behavior_counts=df.groupby('user_id')['behavior_type'].value_counts().unst