2025年数据分析师专业模拟考试题库及答案

2025年数据分析师专业模拟考试题库及答案一、单项选择题（每题2分，共30分）1.在描述数据集中趋势时，若数据存在严重右偏态分布，最适合的指标是（）A.算术平均数B.中位数C.众数D.调和平均数答案：B（右偏态分布中，平均数受极端值影响较大，中位数更能反映集中趋势）2.进行双样本t检验时，若两总体方差未知且不相等，应使用（）A.独立样本t检验（等方差假设）B.Welch'st检验C.配对t检验D.z检验答案：B（方差不齐时需用Welch'st检验修正自由度）3.某电商用户行为数据中，"购买转化率"的计算公式是（）A.购买用户数/访问用户数B.购买次数/访问次数C.购买金额/访问用户数D.购买用户数/注册用户数答案：A（转化率核心是目标行为用户数与初始行为用户数的比值）4.在Python中，使用pandas处理缺失值时，若要删除所有包含缺失值的行，应调用（）A.df.dropna(axis=0)B.df.dropna(axis=1)C.df.fillna(0)D.erpolate()答案：A（axis=0表示删除行，axis=1删除列）5.以下SQL语句中，能正确计算每个类别（category）的平均销售额（sales）的是（）A.SELECTcategory,AVG(sales)FROMtableGROUPBYcategoryB.SELECTcategory,AVG(sales)FROMtableORDERBYcategoryC.SELECTcategory,AVG(sales)FROMtableWHEREcategoryISNOTNULLD.SELECTcategory,AVG(sales)FROMtableHAVINGcategoryISNOTNULL答案：A（GROUPBY用于分组计算聚合函数）6.相关系数r=0.8表示两个变量之间（）A.无线性相关B.弱正相关C.强正相关D.强负相关答案：C（|r|>0.7通常认为强相关，符号表示方向）7.数据清洗中处理异常值时，若数据服从正态分布，常用的筛选阈值是（）A.均值±1倍标准差B.均值±2倍标准差C.均值±3倍标准差D.四分位数±1.5倍IQR答案：C（正态分布中约99.7%数据在μ±3σ内）8.在可视化工具Tableau中，若要展示不同地区销售额随时间的变化趋势，最佳图表类型是（）A.散点图B.热力图C.折线图D.饼图答案：C（时间序列趋势最适合折线图）9.进行逻辑回归模型训练时，目标变量的类型应为（）A.连续型B.分类型（二分类）C.有序分类D.名义分类答案：B（逻辑回归主要用于二分类问题）10.某数据集特征变量包括"年龄"（岁）、"性别"（男/女）、"收入"（元），进行特征标准化时，正确的处理方式是（）A.对所有变量进行Z-score标准化B.对"年龄""收入"标准化，"性别"进行独热编码C.对"年龄""收入"归一化，"性别"保持原值D.对所有变量进行min-max归一化答案：B（连续变量标准化，分类型变量需编码）11.A/B测试中，若实验组转化率提升5%，但统计检验p值=0.15，正确结论是（）A.结果显著，推广实验组B.结果不显著，需扩大样本量C.结果显著，因提升幅度大D.结果不显著，直接否定方案答案：B（通常p<0.05为显著，0.15未达标准需增加样本）12.以下不属于数据降维方法的是（）A.PCAB.LDAC.决策树D.t-SNE答案：C（决策树是分类/回归算法，非降维方法）13.处理时序数据时，若存在季节性波动，最有效的预处理方法是（）A.差分法B.移动平均C.季节分解D.对数变换答案：C（季节分解可分离趋势、季节和随机成分）14.在Python的scikit-learn库中，用于划分训练集和测试集的函数是（）A.train_test_splitB.KFoldC.cross_val_scoreD.GridSearchCV答案：A（train_test_split专门用于数据集划分）15.业务分析中，"用户生命周期价值（LTV）"的核心计算要素不包括（）A.用户获取成本B.平均交易金额C.购买频率D.用户留存率答案：A（LTV关注用户贡献价值，CAC是成本指标）二、填空题（每题2分，共20分）1.数据集中，四分位数间距（IQR）的计算方法是______。答案：第三四分位数（Q3）减去第一四分位数（Q1）2.SQL中，用于返回表中唯一值的关键字是______。答案：DISTINCT3.Python中，使用______库可以实现数据可视化（写出最常用的一个）。答案：matplotlib（或seaborn）4.混淆矩阵中，真阳性（TP）是指______。答案：实际为正类且被预测为正类的样本数5.数据分箱的常见方法包括等距分箱、等频分箱和______。答案：基于业务规则分箱（或卡方分箱）6.时间序列预测中，ARIMA模型的三个参数分别代表______、差分阶数、移动平均阶数。答案：自回归阶数7.衡量模型泛化能力的常用方法是______。答案：交叉验证（或留出法）8.业务指标体系设计的核心原则是______、可量化、关联性。答案：业务驱动（或目标导向）9.处理文本数据时，将单词转换为向量的常用方法是______和词嵌入（如Word2Vec）。答案：词袋模型（或TF-IDF）10.数据质量的五大维度包括准确性、完整性、一致性、______和时效性。答案：唯一性三、简答题（每题6分，共30分）1.简述数据清洗的主要步骤及各步骤的核心任务。答案：数据清洗主要包括：（1）缺失值处理：识别缺失模式（完全随机/随机/非随机），选择删除、插补（均值/中位数/模型预测）等方法；（2）异常值检测：通过统计方法（Z-score/IQR）或模型（如孤立森林）识别，决定保留、修正或删除；（3）数据转换：处理格式错误（如日期格式统一）、单位不一致（如金额从万元转元）；（4）重复值处理：识别完全重复或部分重复记录，保留唯一值；（5）一致性检查：确保同一指标在不同表中的定义一致（如"用户ID"的编码规则）。2.说明在Python中使用pandas进行数据合并时，merge()和concat()的区别。答案：merge()用于基于共同列（键）的横向合并，类似SQL的JOIN操作，支持内连接、左连接、右连接和全连接，适用于有关联关系的数据集；concat()用于纵向（axis=0）或横向（axis=1）堆叠数据，不要求键匹配，纵向合并时需列名一致，横向合并时需索引一致，适用于结构相同的数据集追加。3.解释A/B测试中"统计功效（Power）"的含义及其影响因素。答案：统计功效指当实验组与对照组存在真实差异时，测试能正确检测到该差异的概率（1-β）。影响因素包括：（1）样本量：样本越大，功效越高；（2）显著性水平（α）：α增大（如0.05→0.1），功效提高；（3）效应量：真实差异越大（如转化率提升10%比提升2%），功效越高；（4）数据方差：方差越小（数据越集中），功效越高。4.列举特征工程中常用的特征构造方法，并说明其适用场景。答案：（1）特征组合：将两个或多个特征相乘/相加（如"单价×数量=总价"），适用于存在交互作用的场景；（2）时间特征提取：从时间戳中提取小时、星期几、月份等（如分析用户购物时段偏好）；（3）统计特征：计算分组后的均值、标准差（如"用户近30天平均消费金额"），适用于时序或分群分析；（4）分箱处理：将连续特征离散化（如年龄分"0-18""19-30"等），可降低模型复杂度并减少噪声影响；（5）目标编码：用目标变量的统计量（如转化率）对分类型特征编码，适用于高基数类别特征（如地区）。5.说明如何通过数据可视化辅助业务决策，并举例说明。答案：数据可视化通过直观展示数据模式辅助决策：（1）趋势分析：用折线图展示月销售额变化，若发现连续3个月下降，需排查市场因素；（2）分布分析：用直方图展示用户年龄分布，若集中在25-35岁，可针对性优化该群体的产品；（3）关联分析：用散点图显示广告投入与销量的关系，若呈现强正相关（r=0.85），可建议增加广告预算；（4）分群对比：用柱状图比较不同地区的转化率，若A地区比B地区低20%，需分析渠道或用户画像差异。例如，某电商通过热力图发现APP首页"加入购物车"按钮点击率仅3%（行业平均8%），优化按钮位置后点击率提升至6%，带动月销售额增长12%。四、综合分析题（每题10分，共20分）1.某电商平台提供以下用户行为数据（2023年1-12月）：用户ID（唯一标识）注册时间（精确到日）首次购买时间（精确到日）2023年各月购买金额（1-12月）性别、年龄、所在城市（一线/新一线/二线/其他）要求分析用户留存情况并提出运营建议。请设计分析思路，包括关键指标、分析步骤及可能的结论方向。答案：分析思路：（1）关键指标定义：留存率：t月注册用户在注册后第n月仍有购买行为的比例（n=1,3,6,12）首次购买间隔：注册到首次购买的时间差（天）生命周期价值（LTV）：用户注册后12个月内的总购买金额（2）分析步骤：①数据预处理：计算每个用户的注册月份，标记各月是否活跃（购买金额>0）；②cohort分析：按注册月份分组（cohort），计算各月留存率（如1月注册用户在2月、3月...12月的留存情况）；③差异分析：按性别、年龄、城市分层，比较不同群体的留存率差异（如一线城市用户12月留存率是否高于其他城市）；④相关性分析：分析首次购买间隔与留存率的关系（如间隔≤7天的用户留存率是否更高）；⑤LTV预测：建立回归模型，识别影响LTV的关键因素（如年龄25-35岁用户LTV更高）。（3）可能结论方向：发现2023年Q1注册用户的3个月留存率（45%）显著低于Q3（62%），可能因Q1平台活动较少；二线城市用户12个月留存率（58%）高于一线（52%），需分析一线用户流失原因（如竞争平台更多）；首次购买间隔≤3天的用户12月留存率（71%）是间隔>30天用户（28%）的2.5倍，可优化注册后的引导流程（如首单优惠）；年龄30-35岁女性用户LTV最高（平均8500元），应针对该群体设计专属权益（如会员折扣）。2.某零售企业计划用历史销售数据（2018-2023年）预测2024年各月销售额，数据包含：日期（年-月）销售额（万元）当月促销费用（万元）当月平均气温（℃）节假日天数（天）要求设计预测模型方案，包括数据预处理、模型选择、评估指标及可能的优化方向。答案：预测模型方案：（1）数据预处理：①时间特征提取：从日期中提取月份（1-12）、是否为季度末（标记0/1）；②缺失值处理：检查促销费用、气温是否有缺失，用同期均值插补；③特征构造：计算促销费用占比（促销费用/销售额）、气温与历史均值的偏离度；④数据划分：按时间顺序划分训练集（2018-2022）和测试集（2023），保证时序性。（2）模型选择：①基准模型：ARIMA/SARIMA（考虑季节性，因零售销售通常有明显月度波动）；②机器学习模型：XGBoost/LightGBM（可捕捉促销费用、气温等特征的非线性关系）；③集成模型：将ARIMA的预测结果与机器学习模型结果加权平均（提升鲁棒性）。（3）评估指标：均方根误差（RMSE）：衡量预测