2025年数据分析师中级模拟考试试题集及答案

2025年数据分析师中级模拟考试试题集及答案一、单项选择题（每题2分，共30分）1.以下哪项不属于数据清洗中处理异常值的常用方法？A.标准差法（Z-score）B.分位数截断（IQR）C.均值填充D.聚类检测（如DBSCAN）答案：C（均值填充是处理缺失值的方法，异常值处理通常采用识别后删除、修正或单独分析）2.某电商平台订单表包含字段：order_id（订单ID）、user_id（用户ID）、order_time（下单时间）、amount（金额），需计算2024年Q1每个用户的首单时间，正确的SQL语句是？A.SELECTuser_id,MIN(order_time)ASfirst_order_timeFROMordersWHEREorder_timeBETWEEN'2024-01-01'AND'2024-03-31'GROUPBYuser_idB.SELECTuser_id,MAX(order_time)ASfirst_order_timeFROMordersWHEREorder_timeBETWEEN'2024-01-01'AND'2024-03-31'GROUPBYuser_idC.SELECTuser_id,AVG(order_time)ASfirst_order_timeFROMordersWHEREorder_timeBETWEEN'2024-01-01'AND'2024-03-31'GROUPBYuser_idD.SELECTuser_id,ORDER_TIMEASfirst_order_timeFROMordersWHEREorder_timeBETWEEN'2024-01-01'AND'2024-03-31'ORDERBYorder_time答案：A（首单时间即用户在该时间段内最早的下单时间，需用MIN函数聚合）3.某数据集服从正态分布，均值为50，标准差为10，约95%的数据范围是？A.30-70B.40-60C.20-80D.50-60答案：A（正态分布中约95%的数据位于均值±2σ范围内，50±2×10=30-70）4.以下哪种场景最适合使用箱线图（BoxPlot）？A.展示用户月收入的分布形态B.比较不同地区的销售额趋势C.显示某产品销量与广告投入的相关性D.呈现用户分群的占比结构答案：A（箱线图用于展示数据分布的四分位数、异常值等，适合分析单变量分布）5.在Python中，使用pandas处理数据时，若要将字符串列“date_str”（格式为“2024-05-20”）转换为日期类型，正确的函数是？A.pd.to_datetime(df['date_str'])B.df['date_str'].astype('datetime')C.pd.to_date(df['date_str'])D.df['date_str'].convert('datetime')答案：A（pandas中日期转换的标准函数是pd.to_datetime）6.某A/B测试中，对照组转化率为15%，实验组为17%，p值为0.03，结论应为？A.实验组与对照组无显著差异B.拒绝原假设，实验组转化率显著高于对照组C.接受原假设，实验组无提升D.需扩大样本量重新测试答案：B（p值<0.05时拒绝原假设，认为实验组有显著提升）7.以下哪项指标属于“用户留存分析”的核心指标？A.客单价（ARPU）B.次日留存率C.页面跳出率D.广告点击率（CTR）答案：B（留存率直接反映用户持续使用情况，是留存分析的核心）8.某数据集存在多重共线性，最可能的影响是？A.模型预测精度降低B.变量系数估计不稳定C.分类模型准确率下降D.聚类结果不清晰答案：B（多重共线性会导致回归模型中变量系数的标准误增大，估计不稳定）9.在SQL中，若要查询每个用户最近一次下单的订单详情（包括所有字段），最优方法是？A.使用GROUPBYuser_id+MAX(order_time)，再与原表JOINB.使用ROW_NUMBER()窗口函数按user_id分区并按order_time降序排序，取排名1的记录C.使用子查询嵌套，先计算每个用户的最大order_time，再WHERE匹配D.使用DISTINCTON（仅PostgreSQL支持）按user_id去重并保留最大order_time答案：B（窗口函数ROW_NUMBER()是处理此类需求的高效方法，兼容性强）10.以下哪种数据抽样方法属于非概率抽样？A.分层抽样B.系统抽样C.方便抽样D.整群抽样答案：C（方便抽样基于研究者便利选择样本，不遵循随机原则，属于非概率抽样）11.某网站流量数据中，“访问来源”字段包含“直接访问”“搜索引擎”“社交媒体”“其他”，若要分析不同来源的流量占比，最适合的图表是？A.折线图B.柱状图C.散点图D.饼图答案：D（饼图适合展示各部分占总体的比例关系）12.在Python的scikit-learn中，训练逻辑回归模型时，若数据存在类别不平衡（正类占比5%），最有效的处理方法是？A.增加正则化参数CB.设置class_weight='balanced'C.对负类数据进行欠采样D.对正类数据进行标准化答案：B（class_weight参数可调整类别权重，缓解不平衡问题；欠采样需谨慎避免信息丢失）13.某业务需分析“用户购买频率”与“客单价”的相关性，应计算？A.卡方检验B.皮尔逊相关系数C.斯皮尔曼相关系数D.互信息答案：B（两个连续变量的线性相关分析用皮尔逊相关系数）14.以下哪项不是数据仓库（DW）与数据库（DB）的核心区别？A.数据用途：DW支持分析，DB支持事务B.数据模型：DW多为星型/雪花模型，DB多为第三范式C.数据更新：DW定期批量更新，DB实时增删改D.数据量：DW数据量更小，DB数据量更大答案：D（数据仓库通常存储历史数据，数据量远大于业务数据库）15.某电商用户行为表包含字段：user_id、behavior_type（点击/加购/购买）、item_id、time，若要计算“加购后购买”的转化率，需先计算？A.加购用户数/总用户数B.购买用户数/加购用户数C.购买次数/加购次数D.加购后购买的用户数/加购用户数答案：D（转化率通常基于用户级行为，需统计加购后至少购买一次的用户占比）二、简答题（每题6分，共30分）1.简述数据清洗中处理缺失值的主要方法及适用场景。答案：（1）删除法：包括删除缺失行或列。适用于缺失比例极低（如<5%）且缺失无规律性的场景，但可能损失信息。（2）填充法：统计量填充（均值/中位数/众数）：适用于数值型（均值/中位数）或分类型（众数）数据，缺失无特殊含义。模型填充（如KNN、回归预测）：适用于缺失值与其他变量有较强相关性时，精度较高但计算复杂。特殊值标记（如“未知”）：适用于缺失本身具有业务意义（如用户未填写信息），需后续分析。2.说明A/B测试中“统计功效（Power）”的含义及影响因素。答案：统计功效指当原假设不成立时，正确拒绝原假设的概率（即检测到真实差异的能力），通常要求≥0.8。影响因素包括：（1）样本量：样本量越大，功效越高；（2）效应量（实验组与对照组的差异大小）：差异越大，功效越高；（3）显著性水平（α）：α越大（如0.1vs0.05），功效越高；（4）数据方差：方差越小，功效越高（因标准误降低）。3.解释“辛普森悖论”及其在数据分析中的应对措施。答案：辛普森悖论指分组数据与整体数据的趋势相反的现象（如分组中A方案优于B，但整体B更优），通常由分组样本量不均衡或存在混杂变量（如用户特征差异）导致。应对措施：（1）识别潜在混杂变量（如用户年龄、地区），进行分层分析；（2）使用多元回归控制混杂变量；（3）确保分组时样本量均衡，或采用随机化实验（如A/B测试）减少偏差。4.列举Python中常用的数据分析库及其核心功能。答案：（1）pandas：数据清洗、转换、聚合，提供DataFrame结构处理表格数据；（2）numpy：高效数值计算，支持多维数组操作；（3）matplotlib/seaborn：数据可视化，绘制折线图、柱状图、热图等；（4）scikit-learn：机器学习算法（分类、回归、聚类），包含数据预处理（如标准化、特征选择）；（5）statsmodels：统计建模（线性回归、时间序列分析），提供详细统计检验结果。5.说明“用户分群（RFM模型）”的三个核心指标及业务意义。答案：RFM模型的三个指标：（1）最近一次消费（Recency）：用户最近一次购买的时间，反映用户活跃度；（2）消费频率（Frequency）：用户一定时间内的购买次数，反映用户忠诚度；（3）消费金额（Monetary）：用户累计消费金额，反映用户价值。业务意义：通过三个指标的组合（如高R高F高M为重要价值客户），将用户分群，针对性制定营销策略（如对重要客户提供专属服务，对低价值客户进行唤醒）。三、操作题（每题10分，共30分）1.（Python）给定以下DataFrame（df）：user_idagegenderpurchase_amount125男3002NaN女500330NaN200435女NaN528男400要求：（1）删除“purchase_amount”缺失的行；（2）用年龄的中位数填充“age”的缺失值；（3）将“gender”的缺失值标记为“未知”；（4）计算处理后数据的平均年龄和平均购买金额。答案：（1）df_clean=df.dropna(subset=['purchase_amount'])（2）age_median=df_clean['age'].median()df_clean['age']=df_clean['age'].fillna(age_median)（3）df_clean['gender']=df_clean['gender'].fillna('未知')（4）avg_age=df_clean['age'].mean()avg_purchase=df_clean['purchase_amount'].mean()结果：平均年龄≈27.5（25,28,30,35的中位数是29，填充后年龄为25,29,30,35，平均(25+29+30+35)/4=29.75）；平均购买金额=(300+500+200+400)/4=350。2.（SQL）某电商数据库有两张表：users（user_idINTPRIMARYKEY,register_timeDATETIME,cityVARCHAR(20)）orders（order_idINT,user_idINT,order_timeDATETIME,amountDECIMAL(10,2),FOREIGNKEY(user_id)REFERENCESusers(user_id)）要求查询2024年每个城市的“注册用户数”和“注册后30天内下单的用户数”（需关联两张表，结果按城市排序）。答案：SELECTu.city,COUNT(DISTINCTu.user_id)ASregister_users,COUNT(DISTINCTo.user_id)ASpaid_users_30dFROMusersuLEFTJOINordersoONu.user_id=o.user_idANDo.order_timeBETWEENu.register_timeANDDATE_ADD(u.register_time,INTERVAL30DAY)ANDo.order_time>='2024-01-01'ANDo.order_time<'2025-01-01'WHEREu.register_time>='2024-01-01'ANDu.register_time<'2025-01-01'GROUPBYu.cityORDERBYu.city;3.（统计学）某教育平台想验证“新推出的数学AI课程”是否能提升学提供绩。随机抽取100名学生，50人使用新课程（实验组），50人使用旧课程（对照组）。实验后，实验组平均成绩85分（标准差5），对照组平均成绩80分（标准差6）。假设数据服从正态分布，α=0.05，检验新课程是否有效。答案：步骤：（1）假设：H0（μ1≤μ2，新课程无提升）；H1（μ1>μ2，新课程有效）（2）计算t统计量：合并方差s²=((n1-1)s1²+(n2-1)s2²)/(n1+n2-2)=((49×25)+(49×36))/98=(1225+1764)/98=2989/98≈30.5标准误SE=√(s²(1/n1+1/n2))=√(30.5×(2/50))=√(1.22)≈1.104t=(85-80)/1.104≈4.53（3）自由度df=98，查t表单侧临界值≈1.66（α=0.05）（4）结论：t=4.53>1.66，p<0.05，拒绝H0，新课程能显著提升成绩。四、综合分析题（20分）某生鲜电商平台2024年Q2用户数据如下（部分字段）：user_idfirst_order_time（首次下单时间）last_order_time（最近下单时间）total_orders（累计订单数）avg_amount（客单价）is_churn（是否流失，1=是，0=否）10012024-04-052024-06-10585010022024-05-122024-05-15260110032024-04-012024-06-2081200..................平台定义“流失用户”为：最近60天无下单且累