2026年数据分析技术习题库与参考答案

2026年数据分析技术习题库与参考答案一、单项选择题（每题1分，共20分。每题只有一个正确答案，请将正确选项的字母填在括号内）1.在Python中，使用pandas读取CSV文件时，若文件编码为GBK，应使用的参数是（）A.encoding='utf-8'B.encoding='gbk'C.decode='gbk'D.charset='gbk'【答案】B2.下列关于主成分分析（PCA）的说法中，正确的是（）A.PCA是一种有监督学习方法B.PCA不能用于降维C.PCA通过线性变换将数据投影到方差最大的方向D.PCA会增加原始数据的维度【答案】C3.在SQL中，用于将两个表按某一列进行内连接的语句是（）A.LEFTJOINB.INNERJOINC.RIGHTJOIND.FULLOUTERJOIN【答案】B4.若随机变量X服从标准正态分布，则其期望和方差分别为（）A.0,0B.1,1C.0,1D.1,0【答案】C5.在机器学习中，过拟合的主要表现是（）A.训练误差大，测试误差小B.训练误差小，测试误差大C.训练误差和测试误差都大D.训练误差和测试误差都小【答案】B6.下列哪种方法最适合处理缺失值较多且分布随机的数值型变量（）A.删除该变量B.用中位数填补C.用众数填补D.用KNN插补【答案】D7.在时间序列分析中，用于衡量当前值与前一时刻值之间相关性的函数是（）A.自相关函数（ACF）B.偏自相关函数（PACF）C.互相关函数（CCF）D.协方差函数【答案】A8.若某分类模型的混淆矩阵如下，则其精确率（Precision）为（）预测正预测负实际正8020实际负1090A.0.8B.0.89C.0.9D.0.85【答案】B【解析】Precision=TP/(TP+FP)=80/(80+10)=0.888...9.在Python中，使用matplotlib绘制子图时，设置子图布局的函数是（）A.plt.figure()B.plt.subplot()C.plt.subplots()D.plt.plot()【答案】C10.下列关于K-means聚类的说法中，错误的是（）A.需要预先指定聚类个数B.对初始聚类中心敏感C.适用于非凸形状的数据集D.使用欧氏距离作为相似度度量【答案】C11.在回归分析中，若自变量之间存在高度相关性，会导致（）A.异方差性B.自相关性C.多重共线性D.残差不独立【答案】C12.下列哪种图最适合展示连续变量的分布情况（）A.条形图B.饼图C.直方图D.箱线图【答案】C13.在Python中，使用sklearn进行标准化处理时，应使用的类是（）A.StandardScalerB.MinMaxScalerC.NormalizerD.RobustScaler【答案】A14.若某模型的ROC曲线下面积（AUC）为0.95，则说明（）A.模型性能很差B.模型性能一般C.模型性能较好D.模型性能完美【答案】C15.在SQL中，计算某列非空值数量的函数是（）A.COUNT()A.COUNT()B.COUNT(column)C.SUM(column)D.AVG(column)【答案】B16.下列关于交叉验证的说法中，正确的是（）A.交叉验证会增加模型训练时间B.交叉验证不能用于回归问题C.交叉验证会导致数据泄露D.交叉验证只适用于小样本数据【答案】A17.在Python中，使用numpy生成形状为(3,4)的随机数组，应使用的函数是（）A.np.zeros((3,4))B.np.random.rand(3,4)C.np.ones((3,4))D.np.empty((3,4))【答案】B18.下列关于决策树的说法中，错误的是（）A.易于解释B.对异常值敏感C.可处理非线性关系D.不需要特征缩放【答案】B19.在回归模型中，R²的取值范围是（）A.[-1,1]B.[0,1]C.(-∞,1]D.[0,∞)【答案】C20.下列关于特征选择的描述中，正确的是（）A.特征选择会增加模型复杂度B.特征选择不能提高模型泛化能力C.特征选择可以减少过拟合D.特征选择只适用于分类问题【答案】C二、多项选择题（每题2分，共20分。每题有两个或两个以上正确答案，请将所有正确选项的字母填在括号内，漏选、错选均不得分）21.下列哪些属于无监督学习方法（）A.K-meansB.DBSCANC.决策树D.主成分分析【答案】A、B、D22.下列哪些指标可用于评估回归模型性能（）A.MAEB.MSEC.AUCD.R²【答案】A、B、D23.下列哪些操作可用于处理异常值（）A.删除异常值B.用中位数替换C.用均值替换D.用上下界截断【答案】A、B、D24.下列哪些函数可用于pandas中缺失值检测（）A.isnull()B.notnull()C.dropna()D.fillna()【答案】A、B25.下列哪些方法可用于防止过拟合（）A.增加训练数据B.使用正则化C.增加模型复杂度D.使用交叉验证【答案】A、B、D26.下列哪些属于时间序列分解的组成部分（）A.趋势B.季节性C.残差D.自相关【答案】A、B、C27.下列哪些图可用于检测多元正态性（）A.Q-Q图B.散点图矩阵C.热力图D.马氏距离图【答案】A、B、D28.下列哪些属于集成学习方法（）A.BaggingB.BoostingC.StackingD.KNN【答案】A、B、C29.下列哪些属于Python中用于数据可视化的库（）A.matplotlibB.seabornC.plotlyD.sklearn【答案】A、B、C30.下列哪些属于特征工程的常见方法（）A.标准化B.离散化C.特征交叉D.模型训练【答案】A、B、C三、填空题（每空2分，共20分）31.在Python中，使用pandas将DataFrame导出为Excel文件的方法是__________。【答案】to_excel()32.若随机变量X服从泊松分布，参数λ=3，则其期望E(X)=__________。【答案】333.在SQL中，用于去重的关键字是__________。【答案】DISTINCT34.在sklearn中，用于划分训练集和测试集的函数是__________。【答案】train_test_split35.若某模型的F1分数为0.8，召回率为0.9，则其精确率为__________。【答案】0.727【解析】F1=2PR/(P+R)→0.8=2×P×0.9/(P+0.9)→P≈0.72736.在Python中，使用numpy计算数组标准差的函数是__________。【答案】np.std()37.在回归分析中，若VIF值大于__________，则认为存在严重多重共线性。【答案】1038.在时间序列中，若ARIMA(1,1,1)模型中d=1，表示进行了__________次差分。【答案】139.在Python中，使用pandas将字符串转换为日期类型的函数是__________。【答案】pd.to_datetime()40.在机器学习中，若类别不平衡，常用的评价指标是__________。【答案】F1分数或AUC四、简答题（每题10分，共30分）41.简述K-means聚类算法的步骤，并说明其优缺点。【答案】步骤：1）随机选择K个初始聚类中心；2）将每个样本分配到最近的聚类中心；3）更新聚类中心为各类样本的均值；4）重复2-3步，直到聚类中心不再变化或达到最大迭代次数。优点：简单高效，适合大规模数据；易于实现和解释。缺点：需预先指定K值；对初始中心敏感，可能陷入局部最优；对异常值敏感；不适合非凸形状或密度差异大的数据。42.简述特征标准化的作用，并说明标准化与归一化的区别。【答案】作用：消除量纲影响，使不同特征具有可比性；加快梯度下降收敛速度；提高模型性能，尤其适用于基于距离的算法（如KNN、SVM）。区别：标准化（Standardization）：将特征转换为均值为0，方差为1的分布，公式为：z归一化（Normalization）：将特征缩放到[0,1]区间，公式为：=标准化适用于数据服从正态分布的情况，归一化适用于边界明确、分布未知的情况。43.简述ROC曲线的绘制过程，并说明AUC值的含义。【答案】绘制过程：1）根据模型预测概率排序样本；2）依次将每个样本的预测概率作为阈值，计算TPR和FPR；3）以FPR为横轴，TPR为纵轴绘制曲线。AUC含义：AUC为ROC曲线下面积，取值范围[0,1]；AUC越接近1，模型性能越好；AUC=0.5表示模型无区分能力；AUC<0.5表示模型性能优于随机猜测但预测方向相反。五、应用题（共60分）44.（计算题，15分）某电商公司记录用户每日销售额（单位：万元）如下：[12.5,13.2,14.1,13.8,15.0,14.6,15.5,16.0,15.8,16.5]请计算：（1）样本均值；（2）样本标准差；（3）若销售额服从正态分布，求销售额在14.5万元以下的概率（已知Φ(0.25)=0.5987）。【答案】（1）均值：¯（2）标准差：s（3）Z分数：Z查表得Φ(-0.16)=1-Φ(0.16)=1-0.5636=0.4364概率为43.64%45.（分析题，15分）某数据集包含1000条样本，10个特征，目标变量为二分类。使用逻辑回归模型后，训练集准确率为98%，测试集准确率为75%。请分析：（1）模型是否存在过拟合？（2）可能的原因有哪些？（3）可采取哪些措施改善？【答案】（1）是，训练集准确率远高于测试集，存在明显过拟合。（2）原因：模型复杂度过高；特征过多或存在噪声；训练数据量不足；未进行正则化。（3）措施：增加训练数据；使用L1/L2正则化；特征选择或降维；使用交叉验证调参；尝试更简单的模型。46.（综合题，30分）某银行希望构建客户违约预测模型，数据包含以下字段：客户ID、年龄、性别、收入、贷款金额、信用评分、历史逾期次数、是否违约（目标变量）。请完成以下任务：（1）写出数据预处理步骤；（2）选择两种模型并说明理由；（3）说明模型评估指标及选择原因；（4）写出Python代码框架（含数据划分、模型训练、评估）。【答案】（1）预处理步骤：删除客户ID；处理缺失值（如收入、信用评分用中位数填补）；性别编码（One-Hot）；异常值处理（如收入>99%分位数截断）；特征标准化；划分训练集和测试集。（2）模型选择：逻辑回归：可解释性强，适合二分类；XGBoost：处理非线性关系，性能优异。（3）评估指标：AUC：类别不平衡时更稳定；F1分数：综合考虑精确率和召回率；混淆矩阵：直观展示分类结果。（4）Python代码框架：```pythonimportpandasaspdfromsklearn.model_selectionimporttrain_test_splitfromsklearn.preprocessingimportStandardScalerfromsklearn.linear_modelimportLogisticRegressionfromxgboostimportXGBClassifierfromsklearn.metricsimportroc_auc_score,f1_score,confusion_matrix读取数据df=pd.read_csv('bank.csv')预处理df=df.dropna()df=pd.get_dummies(df,columns=['性别'])X=df.drop(['客户ID','是否违约'],axis=1)y=df['是否违约']划分X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)标准化scaler=StandardScaler()X_train=scaler.fit_transform(X_train)X_test=scaler.transform(X_test)模型训练lr=LogisticRegression()lr.fit(X_train,y_train)y_pred_lr=lr.predict(X_test)xgb=XGBClassifier()xgb.fit(X_tra