2026年数据分析师中级面试题库

2026年数据分析师中级面试题库一、选择题（每题2分，共20题）1.在数据预处理阶段，处理缺失值最常用的方法是？A.删除缺失值B.填充平均值C.插值法D.A和B答案：B解析：填充平均值是最常用的处理缺失值的方法，适用于数据分布较为均匀的情况。2.下列哪个指标不适合用来衡量分类模型的性能？A.准确率B.召回率C.F1分数D.决策树深度答案：D解析：决策树深度是模型结构的指标，不是性能指标。3.在时间序列分析中，ARIMA模型适用于哪种类型的数据？A.确定性数据B.随机数据C.平稳数据D.非平稳数据答案：D解析：ARIMA模型主要用于处理非平稳时间序列数据。4.下列哪个不是大数据的V特性？A.体量大B.速度快C.多样性D.价值密度答案：D解析：大数据的V特性包括体量大、速度快、多样性、真实性、复杂性。5.在数据可视化中，最适合展示部分与整体关系的图表是？A.散点图B.条形图C.饼图D.折线图答案：C解析：饼图直观地展示了各部分占整体的比例。6.下列哪个不是Hadoop生态系统中的组件？A.HDFSB.MapReduceC.SparkD.Hive答案：C解析：Spark是独立的计算框架，不属于Hadoop生态系统。7.在特征工程中，降维的主要目的是？A.增加模型复杂度B.减少数据量C.提高模型可解释性D.A和B答案：C解析：降维的主要目的是简化模型，提高可解释性。8.下列哪个指标不适合用来衡量聚类模型的性能？A.轮廓系数B.调整兰德指数C.F1分数D.硬聚类系数答案：C解析：F1分数是分类模型的评价指标，不适合聚类模型。9.在自然语言处理中，词嵌入技术的主要目的是？A.提高文本分类效果B.减少文本维度C.增加文本数据量D.生成文本摘要答案：A解析：词嵌入技术将文本转换为向量表示，提高分类等任务的效果。10.下列哪个不是机器学习中的过拟合现象？A.模型训练误差小，测试误差大B.模型复杂度过高C.模型泛化能力强D.模型训练时间过长答案：C解析：泛化能力强是模型拟合良好的表现，不是过拟合。二、填空题（每题2分，共10题）1.数据分析的基本流程包括数据采集、______、数据分析、数据可视化。答案：数据清洗2.交叉验证主要用于解决模型的______问题。答案：过拟合3.在回归分析中，R平方值越接近______，模型拟合效果越好。答案：14.数据库的三大范式分别是1NF、2NF和______。答案：3NF5.在数据挖掘中，关联规则挖掘常用的算法有Apriori和______。答案：FP-Growth6.机器学习中的"欠拟合"现象通常表现为模型训练误差和测试误差都______。答案：较高7.时间序列分解的常用方法有加法模型和______。答案：乘法模型8.数据库索引的主要作用是提高______。答案：查询效率9.在数据可视化中，散点图主要用于展示两个变量之间的______关系。答案：相关性10.机器学习中的"正则化"技术主要用于防止______。答案：过拟合三、简答题（每题5分，共6题）1.简述数据清洗的主要步骤和方法。答案：数据清洗的主要步骤包括：（1）处理缺失值：删除、填充（均值、中位数、众数、插值等）（2）处理异常值：删除、修正、转换（3）处理重复值：识别并删除（4）处理不一致数据：统一格式、单位等（5）处理文本数据：分词、去停用词、词性标注等2.解释什么是特征工程，并说明其在机器学习中的重要性。答案：特征工程是将原始数据转化为模型可用的特征的过程。重要性体现在：（1）直接影响模型性能（2）减少数据维度，提高效率（3）发现数据中隐藏的模式和关系（4）简化模型，提高可解释性3.简述监督学习和无监督学习的区别。答案：监督学习：使用有标签数据训练模型，目标是预测输出变量（如分类、回归）无监督学习：使用无标签数据训练模型，目标是发现数据内在结构（如聚类、降维）4.解释什么是"过拟合"现象，并说明如何解决。答案：过拟合是指模型在训练数据上表现很好，但在测试数据上表现差的现象。解决方法：（1）增加训练数据（2）降低模型复杂度（3）使用正则化技术（L1、L2）（4）使用交叉验证（5）早停法5.简述时间序列分析的基本方法。答案：时间序列分析的基本方法包括：（1）趋势分析：识别数据长期变化趋势（2）季节性分析：识别周期性变化（3）平稳性检验：如ADF检验（4）模型拟合：ARIMA、指数平滑等（5）预测：基于历史数据预测未来值6.解释什么是大数据的"3V"特性，并补充其他特性。答案：大数据的"3V"特性：（1）体量大（Volume）：数据规模巨大（2）速度快（Velocity）：数据产生速度快（3）多样性（Variety）：数据类型多样其他特性包括：真实性（Veracity）、复杂性（Complexity）、价值密度（ValueDensity）。四、计算题（每题10分，共2题）1.假设有1000个数据点，其中200个缺失值。如果采用均值填充缺失值，计算填充后的均方误差（MSE）。答案：假设原始数据均值为μ，则填充后的数据均值为μ'=(800μ+200×0)/1000=0.8μ假设原始数据方差为σ²，则填充后的方差为：σ'^2=[(800×(μ-μ)²+200×(0-μ)²)/1000]=(800σ²+200×μ²)/1000MSE=E[(X-μ')²]=E[X²]-2μ'X+μ'^2由于E[X²]=σ²+μ²，所以：MSE=(σ²+μ²)-2×0.8μ×μ'+(0.8μ)²MSE=σ²+μ²-1.6μ²+0.64μ²=σ²-0.16μ²因此，填充后的MSE比原始MSE减小了0.16μ²。2.假设有一个线性回归模型，其系数为β₀=2，β₁=3，β₂=-1。给定一个数据点(x₁,x₂,y)=(2,3,10)，计算该点的预测值和残差。答案：预测值：ŷ=β₀+β₁x₁+β₂x₂=2+3×2-1×3=5残差：e=y-ŷ=10-5=5五、编程题（每题15分，共2题）1.使用Python编写代码，实现一个简单的线性回归模型，并计算其MSE。pythonimportnumpyasnp生成样本数据np.random.seed(0)X=2np.random.rand(100,1)y=4+3X+np.random.randn(100,1)计算最优系数X_b=np.c_[np.ones((100,1)),X]theta_best=np.linalg.inv(X_b.T.dot(X_b)).dot(X_b.T).dot(y)预测和计算MSEy_pred=X_b.dot(theta_best)mse=np.mean((y-y_pred)2)print(f"MSE:{mse}")2.使用Python编写代码，实现K-means聚类算法的基本步骤，并对下面的数据进行聚类（数据点坐标存储在points数组中）。pythonimportnumpyasnpdefk_means(points,k,max_iters=100):随机初始化质心centroids=points[np.random.choice(points.shape[0],k,replace=False)]for_inrange(max_iters):分配簇clusters=[]forpointinpoints:distances=np.linalg.norm(point-centroids,axis=1)closest=np.argmin(distances)clusters.append(closest)更新质心new_centroids=np.array([points[clusters==j].mean(axis=0)forjinrange(k)])判断收敛ifnp.all(centroids==new_centroids):breakcentroids=new_centroidsreturnclusters,centroids示例数据points=np.array([[1,2],[1,4],[1,0],[10,2],[10,4],[10,0]])clusters,centroids=k_means(points,2)print(f"Centroids:{centroids}")print(f"Clusters:{clusters}")六、综合应用题（每题20分，共2题）1.假设你是一家电商公司的数据分析师，需要分析用户购买行为数据，以优化产品推荐系统。请描述你的分析思路和方法。答案：分析思路：（1）数据采集：收集用户购买历史、浏览记录、用户属性等数据（2）数据预处理：清洗缺失值、处理异常值、构建用户画像（3）特征工程：提取用户行为特征（购买频率、客单价、偏好品类等）（4）用户分群：根据特征进行聚类分析，识别不同用户群体（5）关联规则挖掘：发现商品之间的关联关系（6）模型构建：使用协同过滤、内容推荐等算法构建推荐模型（7）效果评估：通过A/B测试评估推荐效果（8）结果可视化：将分析结果以仪表盘形式呈现分析方法：（1）描述性统计分析：分析用户基本行为特征（2）时间序列分析：分析购买趋势和周期性（3）分类算法：预测用户购买意向（4）聚类算法：识别不同用户群体（5）关联规则算法：发现商品关联（6）协同过滤：基于用户行为进行推荐2.假设你是一家银行的信贷分析师，需要评估客户的信用风险。请描述你的分析思路和方法。答案：分析思路：（1）数据采集：收集客户基本信息、信用历史、收入等数据（2）数据预处理：处理缺失值、异常值、标准化数据（3）特征工程：构建信用评分相关特征（还款记录、负债率等）（4）风险模型构建：使用逻辑回归、决策