2026年数据分析师笔试技能题库

2026年数据分析师笔试技能题库一、选择题（共5题，每题2分，共10分）1.在处理缺失值时，以下哪种方法适用于数据量较大且缺失比例不高的场景？（单选）A.删除含有缺失值的行B.使用均值/中位数/众数填充C.K最近邻填充D.回归模型预测填充答案：B解析：当数据量较大且缺失比例不高时，使用均值/中位数/众数填充效率高且影响较小。删除行会导致数据丢失，KNN和回归填充计算复杂，不适用于大规模数据。2.以下哪种指标最适合评估分类模型的预测性能？（单选）A.均方误差（MSE）B.R²值C.AUCD.决策树深度答案：C解析：AUC（AreaUndertheROCCurve）适用于评估分类模型的泛化能力，不受类别不平衡影响。MSE和R²用于回归问题，决策树深度是模型结构参数。3.在数据清洗过程中，以下哪项不属于异常值检测的常用方法？（单选）A.3σ法则B.箱线图分析C.算法聚类（如DBSCAN）D.皮尔逊相关系数答案：D解析：3σ法则、箱线图和DBSCAN均可检测异常值，皮尔逊相关系数用于衡量线性相关性，与异常值检测无关。4.以下哪种SQL语句用于计算每个用户的购买次数？（单选）A.`GROUPBYuser_id`B.`SUM(purchase_count)`C.`DISTINCTuser_id`D.`HAVINGCOUNT()`答案：A解析：`GROUPBYuser_id`可将数据按用户分组，结合聚合函数（如COUNT）计算购买次数。选项B仅计算总和，C计算唯一用户数，D是HAVING子句的语法错误。5.在时间序列分析中，ARIMA模型的适用场景是？（单选）A.具有周期性但无趋势的数据B.随机波动较大的数据C.季节性强的数据D.线性关系明显的数据答案：C解析：ARIMA（自回归积分滑动平均模型）适用于具有季节性或趋势的时间序列，选项A可使用简单ARIMA，B需差分处理，D适合线性回归。二、填空题（共5题，每题2分，共10分）6.在交叉验证中，k折交叉验证将数据分为______份，每折作为验证集一次。答案：k解析：k折交叉验证将数据均等分为k份，轮流使用k-1份训练、1份验证，重复k次。7.SQL中，使用______函数可以计算分组后的非重复行数。答案：COUNT(DISTINCT)解析：`COUNT(DISTINCT)`统计分组后不重复的记录数，如`COUNT(DISTINCTuser_id)`。8.在Excel中，使用______函数可以计算数据的中位数。答案：MEDIAN解析：`MEDIAN`返回一组数据的中值，适用于排序后的数据集。9.逻辑回归模型的输出值范围是______。答案：[0,1]解析：逻辑回归输出Sigmoid函数值，介于0和1之间，表示事件概率。10.在数据可视化中，散点图适用于展示______关系。答案：两个变量解析：散点图通过点坐标展示两个连续变量的相关性，如散点图分析销售额与广告投入的关系。三、简答题（共5题，每题4分，共20分）11.简述数据探索性分析（EDA）的主要步骤。答案：1.数据概览：查看数据维度、缺失值、数据类型等基本信息。2.统计描述：计算均值、中位数、标准差等，了解数据分布。3.可视化分析：使用直方图、箱线图、散点图等探索变量关系。4.异常值检测：识别离群点，分析其影响。5.相关性分析：计算相关系数，发现变量间依赖关系。12.解释什么是数据倾斜，如何解决？答案：数据倾斜指分布式计算中某节点数据量过大，导致任务执行不平衡。解决方法：-重分区（Repartition）将数据均匀分配。-使用MapReduce的Combiner阶段局部聚合。-优化SQL查询（如先过滤小数据集）。13.举例说明什么是特征工程，并列举两种常用方法。答案：特征工程指通过转换原始数据提升模型性能，如：-特征衍生：从现有字段生成新特征（如用户注册时间与最近一次购买时间的差值）。-特征编码：将类别变量量化（如One-Hot编码）。14.描述A/B测试的基本流程及关键指标。答案：流程：1.定义目标（如转化率提升）。2.分组（随机分配控制组/实验组）。3.收集数据并分析差异。4.做出决策。关键指标：转化率、CTR（点击率）、统计显著性。15.解释SQL中的JOIN类型及其适用场景。答案：-INNERJOIN：仅保留两表匹配的记录（适用于筛选关联数据）。-LEFTJOIN：保留左表所有记录，右表不匹配用NULL填充（适用于保留主表数据）。-FULLOUTERJOIN：保留两表所有记录，不匹配部分用NULL填充（适用于全数据关联）。四、编程题（共3题，每题6分，共18分）16.使用Python（Pandas）处理以下数据：pythonimportpandasaspddata={'user_id':[1,2,3,4],'age':[25,30,None,35],'city':['北京','上海','北京','深圳']}df=pd.DataFrame(data)要求：1.填充年龄的缺失值（用均值）。2.添加新列`age_group`，规则：<30为"青年"，≥30为"中年"。3.统计每个城市的用户数。答案：pythonimportpandasaspd原始数据data={'user_id':[1,2,3,4],'age':[25,30,None,35],'city':['北京','上海','北京','深圳']}df=pd.DataFrame(data)1.填充缺失值df['age']=df['age'].fillna(df['age'].mean())2.添加年龄分组df['age_group']=df['age'].apply(lambdax:'青年'ifx<30else'中年')3.统计城市用户数city_count=df['city'].value_counts()print(city_count)17.编写SQL查询，实现以下逻辑：表`orders`包含`order_id`（订单号）、`user_id`（用户ID）、`amount`（金额）、`order_date`（日期）。要求：1.查询2023年每月总销售额。2.筛选出金额最高的10%订单。答案：sql--1.查询2023年每月总销售额SELECTDATE_FORMAT(order_date,'%Y-%m')ASmonth,SUM(amount)AStotal_salesFROMordersWHEREYEAR(order_date)=2023GROUPBYmonthORDERBYmonth;--2.筛选金额最高的10%订单SELECTorder_id,user_id,amountFROM(SELECTorder_id,user_id,amount,NTILE(10)OVER(ORDERBYamountDESC)ASpercentileFROMorders)ASrankedWHEREpercentile=1;18.假设使用SparkSQL处理以下数据：sqlCREATETABLEsales(product_idINT,regionSTRING,quantityINT);要求：1.计算每个区域的商品总销量。2.找出销量最低的前3个商品。答案：sql--1.每个区域商品总销量SELECTregion,SUM(quantity)AStotal_quantityFROMsalesGROUPBYregion;--2.销量最低的前3个商品SELECTproduct_id,SUM(quantity)AStotal_quantityFROMsalesGROUPBYproduct_idORDERBYtotal_quantityASCLIMIT3;五、综合分析题（共2题，每题8分，共16分）19.某电商平台用户行为数据如下表：|用户ID|浏览页面数|购物车加入商品数|转化（购买）|注册时间（天）||-||--|-|-||101|10|2|是|120||102|5|0|否|45||...|...|...|...|...|要求：1.分析转化率与浏览页面数的关系。2.提出至少两种提升转化率的建议。答案：1.分析：-绘制散点图，观察转化组（是）与未转化组（否）的页面数分布差异。-计算两组页面数的均值差异（如转化组均值>未转化组）。2.建议：-优化商品推荐：增加高意向用户的曝光量。-简化购物流程：减少加入购物车的跳转步骤。20.假设某城市共享单车数据如下：|记录ID|起始点经度|起始点纬度|终止点经度|终止点纬度|骑行时长（分钟）||-|||||--||1|116.38|39.90|116.39|39.91|5||...|...|...|...|...|...