2025年数据分析试题库及答案

2025年数据分析试题库及答案一、单项选择题（每题2分，共20分）1.以下哪项不属于结构化数据的典型特征？A.存储于二维表中B.具有明确的字段定义C.包含文本段落或图片D.可通过SQL直接查询答案：C2.某数据集的偏度（Skewness）为2.3，说明数据分布呈现：A.左偏（负偏态）B.右偏（正偏态）C.正态分布D.均匀分布答案：B3.对用户年龄字段进行异常值检测时，若采用IQR方法（四分位距），则异常值的判断阈值通常为：A.Q11.5IQR或Q3+1.5IQRB.均值±1倍标准差C.Q2±2倍IQRD.中位数±0.5倍标准差答案：A4.计算两组变量的相关关系时，若其中一组变量为定类数据（如性别：男/女），另一组为定距数据（如收入），最适合的相关系数是：A.Pearson相关系数B.Spearman秩相关系数C.点二列相关系数D.肯德尔τ系数答案：C5.在假设检验中，若原假设为H₀:μ=μ₀，备择假设为H₁:μ≠μ₀，当实际μ=μ₀但拒绝H₀时，发生的错误是：A.第一类错误（α错误）B.第二类错误（β错误）C.正确决策D.无法判断答案：A6.以下哪种数据可视化方式最适合展示不同类别的占比关系？A.折线图B.柱状图C.散点图D.饼图答案：D7.训练一个预测用户购买意愿的分类模型时，若样本中“购买”类仅占5%，最有效的处理方法是：A.直接使用原始数据训练B.对“未购买”类进行下采样C.对“购买”类进行上采样（SMOTE算法）D.增加正则化参数答案：C8.A/B测试中，若实验组与对照组的样本量差异超过30%，最可能导致：A.统计功效不足B.选择偏差C.辛普森悖论D.多重共线性答案：B9.数据仓库（DataWarehouse）的核心特征是：A.支持实时事务处理B.面向主题、集成、非易失、时变C.存储原始未加工数据D.采用列式存储答案：B10.某电商平台分析用户复购行为时，定义“复购用户”为“90天内购买次数≥2次”，这一过程属于：A.数据清洗B.指标定义C.特征工程D.模型验证答案：B二、填空题（每题2分，共20分）1.数据清洗中处理缺失值的常见方法包括删除记录、插补（如均值/中位数填充）和__________。答案：保留缺失值（或“视为独立类别”）2.SQL中，用于计算每个用户最近一次购买时间的窗口函数是__________（示例：ROW_NUMBER()OVER(PARTITIONBYuser_idORDERBYpurchase_timeDESC)）。答案：LAST_VALUE(purchase_time)OVER(PARTITIONBYuser_idORDERBYpurchase_timeROWSBETWEENUNBOUNDEDPRECEDINGANDUNBOUNDEDFOLLOWING)3.Python中，使用Pandas库读取CSV文件的函数是__________。答案：pd.read_csv()4.若某变量的概率密度函数符合均值为μ、标准差为σ的正态分布，其概率密度函数表达式为__________（写出公式）。答案：f(x)=(1/(σ√(2π)))e^(-(x-μ)²/(2σ²))5.皮尔逊相关系数的取值范围是__________。答案：[-1,1]6.数据标准化（Z-score标准化）的计算公式为__________。答案：(xμ)/σ（其中μ为均值，σ为标准差）7.分类模型评估中，混淆矩阵的对角线元素表示__________。答案：正确分类的样本数8.时间序列的四大组成部分是趋势（Trend）、季节变动（Seasonality）、循环变动（Cycle）和__________。答案：随机波动（Irregularity）9.数据抽样方法中，将总体按某些特征分成若干层，从每层中独立抽样的方法称为__________。答案：分层抽样（StratifiedSampling）10.A/B测试中，原假设（H₀）通常定义为__________。答案：实验组与对照组的指标无显著差异三、简答题（每题6分，共60分）1.简述数据清洗的关键步骤及各步骤的主要任务。答案：数据清洗的关键步骤包括：（1）识别缺失值：通过统计各字段缺失率，标记缺失位置；（2）处理缺失值：根据业务场景选择删除、插补（均值/中位数/众数）或保留；（3）检测异常值：使用IQR、Z-score或箱线图等方法定位异常点，判断是否为记录错误或真实业务现象；（4）纠正数据错误：如日期格式错误、数值单位不一致等，通过正则表达式或函数转换修正；（5）处理重复值：识别完全重复或部分重复记录，根据业务需求去重或合并；（6）一致性检查：确保分类变量（如“性别”）的取值统一（如“男”“女”vs“M”“F”），通过映射表统一标准。2.如何判断一组数据是否服从正态分布？请列举至少3种方法。答案：（1）图形法：绘制直方图或QQ图，若直方图近似钟形对称，QQ图数据点大致呈直线，则可能服从正态分布；（2）统计检验法：使用Shapiro-Wilk检验（样本量≤5000）或Kolmogorov-Smirnov检验（大样本），若p值＞显著性水平（如0.05），则不拒绝正态分布假设；（3）描述性统计量：计算偏度和峰度，正态分布的偏度≈0，峰度≈3（超额峰度≈0）；（4）经验法则：约68%的数据在均值±1σ内，95%在±2σ内，99.7%在±3σ内，可通过实际数据占比验证。3.说明SQL中LEFTJOIN和INNERJOIN的区别，并举例说明应用场景。答案：LEFTJOIN（左连接）返回左表的所有记录，右表中匹配的记录；若右表无匹配，则右表字段值为NULL。INNERJOIN（内连接）仅返回左右表中匹配的记录。例如，分析用户订单数据时，左表为用户表（user_id,name），右表为订单表（order_id,user_id,amount）：使用LEFTJOIN可获取所有用户的订单信息（包括未下单用户），而INNERJOIN仅获取已下单用户的记录。4.简述Python中Pandas处理重复值的常用方法。答案：（1）识别重复值：使用df.duplicated()方法，返回布尔Series，标记每行是否为重复行（默认判断所有列，可通过subset参数指定列）；（2）删除重复值：使用df.drop_duplicates()方法，默认删除后续重复行，保留第一个出现的行；可通过keep参数设置保留“first”“last”或“False”（删除所有重复行）；（3）自定义处理：若重复行需合并（如求和或取平均），可结合groupby和agg函数（如df.groupby('key').agg({'value':'sum'})）。5.数据可视化中，如何根据分析目标选择合适的图表类型？请举例说明。答案：（1）比较类别间差异：柱状图（如不同地区的销售额对比）；（2）展示趋势变化：折线图（如月度活跃用户数变化）；（3）分析分布特征：直方图（用户年龄分布）或箱线图（不同产品价格的分布范围）；（4）显示比例关系：饼图（各产品销量占比）或堆叠柱状图（各地区不同产品的销量占比）；（5）探索变量关系：散点图（广告投入与销售额的相关性）；（6）展示地理分布：地图（各省份用户密度）。6.评估分类模型性能时，除准确率（Accuracy）外，还需关注哪些指标？为什么？答案：（1）精确率（Precision）：衡量预测为正类的样本中实际为正类的比例，适用于“误判正类代价高”的场景（如垃圾邮件识别）；（2）召回率（Recall）：衡量实际正类样本中被正确预测的比例，适用于“漏判正类代价高”的场景（如疾病诊断）；（3）F1分数：精确率和召回率的调和平均，平衡两者的综合表现；（4）AUC-ROC：反映模型在不同阈值下区分正负类的能力，适用于样本不平衡场景；（5）混淆矩阵：直观展示各类别的正确/错误分类情况，辅助定位模型弱点。7.时间序列预测的常用方法有哪些？各适用于什么场景？答案：（1）移动平均（MA）：适用于无明显趋势和季节变动的平稳序列，通过近期数据的平均值平滑随机波动；（2）指数平滑（ETS）：考虑历史数据的加权平均，权重随时间指数衰减，适用于有趋势或季节成分的序列（如Holt-Winters方法处理季节变动）；（3）ARIMA：适用于平稳或可通过差分平稳的序列，通过自回归（AR）和移动平均（MA）项捕捉序列自相关性；（4）Prophet：Facebook开源模型，适用于含节假日、趋势变化的业务时间序列（如电商日活）；（5）LSTM/Transformer：适用于复杂模式（如长周期依赖、非线性关系）的预测，需大量数据训练。8.设计数据埋点时需注意哪些关键事项？答案：（1）明确埋点目标：与业务目标对齐（如用户转化、页面停留），避免冗余埋点；（2）定义事件标准：统一事件命名（如“click_button”）、参数（如“button_id”“page_source”）和取值规范（如时间戳格式）；（3）保证数据准确性：测试埋点逻辑（如点击事件是否漏传、参数是否完整），避免前端/后端埋点冲突；（4）考虑扩展性：预留自定义参数空间，适应未来业务变化（如新增活动标签）；（5）合规性：遵守隐私法规（如GDPR），敏感信息（如用户ID）需脱敏处理；（6）埋点分层：区分核心事件（如支付成功）和辅助事件（如页面浏览），优先保证核心数据质量。9.如何分析用户流失问题？请描述关键步骤。答案：（1）定义流失标准：根据业务场景明确“流失用户”（如30天无活跃、取消订阅）；（2）数据准备：提取用户基本属性（年龄、注册渠道）、行为数据（登录频率、交互深度）、流失标签；（3）探索性分析：对比流失用户与留存用户的特征差异（如平均使用时长、关键功能使用率），通过可视化（柱状图、箱线图）定位显著差异点；（4）归因分析：使用逻辑回归、决策树等模型识别影响流失的关键因素（如“近7天未使用某功能”的OR值）；（5）验证假设：通过A/B测试验证优化策略（如针对高流失风险用户推送召回短信）的效果；（6）输出结论：提出针对性建议（如优化核心功能体验、调整运营策略）。10.A/B测试结果不显著（p值＞0.05）可能的原因有哪些？如何应对？答案：可能原因：（1）样本量不足：统计功效（1-β）低，无法检测到实际存在的差异；（2）实验周期过短：未覆盖用户行为的完整周期（如电商大促需覆盖活动全周期）；（3）指标波动大：目标指标本身方差高（如客单价），需延长实验时间或调整指标（如转化次数）；（4）分组不均衡：实验组与对照组的用户特征（如新老用户比例）存在偏差，需检查随机分组逻辑；（5）干预效果真实不存在：实验策略无效，需重新设计方案；（6）多重检验问题：同时测试多个指标或多次查看结果，增加Ⅰ类错误概率。应对方法：（1）提前计算所需样本量（基于预期效应量、α、β）；（2）确保实验周期覆盖业务场景的完整周期；（3）对高方差指标进行变换（如取对数）或使用分层抽样；（4）通过随机化检验验证分组均衡性；（5）若确认策略无效，需结合业务逻辑优化方案；（6）控制检验次数（如使用Bonferroni校正）。四、综合分析题（共20分）背景：某电商平台提供以下数据表格（均为2024年1-6月数据）：用户表（user）：user_id（用户ID）、reg_time（注册时间）、user_level（用户等级：1-5级）、is_vip（是否为会员：0/1）订单表（order）：order_id（订单ID）、user_id、order_time（下单时间）、payment（支付金额）、is_refund（是否退款：0/1）行为日志表（behavior）：user_id、event_time（事件时间）、event_type（事件类型：点击商品、加入购物车、支付成功）、product_id（商品ID）任务：请设计分析方案，回答以下问题：（1）计算2024年Q2（4-6月）的核心运营指标，包括：总销售额、付费用户数、客单价、退款率。（要求：明确指标定义及计算逻辑）（2）识别Q2期间“高价值用户”（需自定义标准），并分析其行为特征。（3）发现某商品（product_id=P001）在Q2的转化率（点击→支付成功）显著低于平台均值，需定位可能原因。答案要点：（1）核心指标计算：总销售额：筛选order表中order_time在2024-04-01至2024-06-30且is_refund=0的记录，求和payment；付费用户数：上述订单对应的去重user_id数量；客单价=总销售额/付费用户数；退款率=（Q2内is_re