2026年初级数据分析师笔试模拟题

2026年初级数据分析师笔试模拟题一、单选题（共10题，每题2分，共20分）1.某电商平台2025年第四季度数据显示，A类商品销售额环比增长15%，B类商品销售额环比增长25%，但A类商品销售额占整体销售额的比例却下降了。以下解释最合理的是？A.B类商品销售额基数更大B.A类商品销售额绝对增量小于B类商品C.电商平台整体销售额大幅下降D.A类商品价格下调导致销量占比变化2.在制作数据可视化图表时，以下哪种情况最适合使用“堆积柱状图”？A.比较不同类别的总销售额B.展示某一类目内部各子类目的占比变化C.显示多个时间序列的绝对数值差异D.分析不同城市用户的年龄分布3.某零售企业通过会员数据分析发现，会员复购率与会员年龄呈负相关。以下推论最可能成立的是？A.年轻会员更依赖促销活动购买B.年龄较大的会员忠诚度更高C.企业应减少对老年会员的营销投入D.会员复购率受品牌忠诚度影响较小4.在SQL查询中，以下哪个函数常用于计算分组后的非空值数量？A.`SUM()`B.`COUNT(DISTINCT)`C.`COUNT()`D.`AVG()`5.某餐饮连锁店分析发现，高峰时段的排队时间与堂食订单量呈线性正相关。以下措施最可能有效缩短排队时间？A.减少高峰时段的出餐窗口B.提高服务员点餐效率C.鼓励顾客优先选择外卖D.增加自助点餐设备6.在Excel中，使用“数据透视表”分析销售数据时，以下哪项操作最常用于计算“按城市分类的月度利润率”？A.将“城市”拖入“行标签”和“值”区域B.在“值”区域同时放入“销售额”和“成本”字段并设置“值字段设置”为“利润率”C.将“月份”拖入“筛选”区域D.使用“切片器”筛选特定产品类别7.某外卖平台发现，骑手配送时长与订单金额呈正相关。以下原因最可能是？A.高价订单更易催生骑手加价服务B.高价订单通常包含更复杂的配送需求C.平台算法优先派单给经验丰富的骑手D.高价订单用户更倾向于选择偏远区域8.在Python的Pandas库中，以下哪种方法常用于处理缺失值？A.`dropna()`B.`fillna()`C.`replace()`D.`groupby()`9.某电商平台A/B测试发现，新版页面（实验组）的跳出率比旧版页面（对照组）低5%。以下结论最谨慎的是？A.新版页面用户体验更优B.新版页面转化率可能更高C.需进一步验证该差异是否具有统计显著性D.应立即全量上线新版页面10.某超市通过分析POS数据发现，购买“牛奶”的用户同时购买“面包”的概率为30%。以下业务建议最可行？A.在牛奶货架旁增设面包促销B.推出“牛奶+面包”捆绑套餐C.减少面包库存以降低关联销售成本D.优先向购买牛奶的用户推送面包广告二、多选题（共5题，每题3分，共15分）1.某电商企业分析用户购物路径时发现，以下哪些行为可能属于“购物车放弃”的预警信号？A.用户将商品加入购物车后未支付B.用户在支付环节多次修改地址C.用户浏览商品详情页停留时间小于1秒D.用户在购物车页面停留时间超过5分钟2.在制作数据报表时，以下哪些指标常用于评估“用户活跃度”？A.DAU（日活跃用户数）B.用户留存率C.会话时长D.商品搜索次数3.某直播电商平台分析发现，主播互动率与订单转化率呈正相关。以下哪些措施可能提升互动率？A.增加直播间评论回复频率B.设置限时秒杀活动C.引导用户投票选择推荐商品D.降低商品价格以刺激冲动消费4.在SQL中，以下哪些操作属于“窗口函数”的常见应用场景？A.计算滚动平均销量B.排序后的行号分配C.分组内的排名计算D.计算每个用户的累计消费金额5.某外卖平台分析骑手配送效率时发现，以下哪些因素可能影响“平均配送时长”？A.订单地址的地理距离B.天气状况C.骑手接单前闲置时长D.用户选择的“加急配送”服务三、判断题（共10题，每题1分，共10分）1.在数据抽样时，分层抽样比随机抽样更适用于分析结构性差异较大的群体。2.Excel中的“数据验证”功能可用于限制用户输入特定格式的数据。3.SQL中的`JOIN`操作仅支持基于主键关联数据表。4.用户画像分析的核心是提取用户的消费能力分层。5.数据清洗的目的是让原始数据完全符合分析需求。6.线性回归模型适用于分析所有类型的数据关系。7.A/B测试中，实验组样本量越大，结论越可靠。8.数据可视化的目的是用图表展示所有细节信息。9.Python的Pandas库主要用于数据存储与管理。10.行业数据报告的撰写应避免主观推测。四、简答题（共4题，每题5分，共20分）1.简述“漏斗分析法”在电商用户行为分析中的应用场景及核心指标。2.解释“异常值”对数据分析可能产生的影响，并提出两种处理方法。3.某企业计划通过会员消费数据评估不同促销活动的效果。请列举三种可量化的评估指标。4.在数据报告中，如何平衡“数据完整性”与“信息可读性”？请举例说明。五、综合应用题（共2题，每题10分，共20分）1.某超市2025年10月POS数据如下表所示（部分数据已省略）：|日期|商品类别|销售额（元）|购买用户数|||-|-|||2025-10-01|食品|15,200|430||2025-10-01|日用品|8,500|210||2025-10-02|食品|18,600|510||...|...|...|...|要求：（1）计算该超市10月食品类别的“客单价”；（2）若已知10月食品类别的平均客单价为40元，请分析10月2日食品客单价异常的原因。2.某外卖平台收集了2025年11月部分骑手数据（示例）：|骑手ID|当月订单量|平均配送时长（分钟）|接单前闲置时长（分钟）||--||-|||001|120|25|5||002|150|22|10||...|...|...|...|要求：（1）请设计一个简单的相关性分析方案，评估“骑手闲置时长”与“配送时长”的关系；（2）若平台计划通过补贴减少骑手闲置时长，请提出一个可行性建议并说明理由。答案与解析一、单选题1.B-解释：A类商品销售额绝对增量（15%×基数）小于B类商品（25%×基数），导致A类占比下降。2.B-解释：堆积柱状图适合展示分类内部占比变化，如“各子类目销售额占品类总销售额的占比随时间变化”。3.A-解释：年轻用户更易受促销影响，而年龄较大用户可能更注重品牌或便利性。4.C-解释：`COUNT()`统计非空行数，`COUNT(DISTINCT)`去重计数，`SUM()`计算数值型字段。5.C-解释：减少堂食订单量可降低排队压力，鼓励外卖分流是可行方案。6.B-解释：同时放入“销售额”和“成本”并设置“利润率”可计算分类利润率。7.B-解释：高价订单可能包含生鲜、定制等复杂配送需求，时长自然延长。8.A-解释：`dropna()`用于删除缺失值，`fillna()`填充缺失值，`replace()`替换值，`groupby()`分组分析。9.C-解释：需排除抽样偏差或统计误差，谨慎结论需进一步验证。10.B-解释：捆绑套餐可提升客单价，符合关联销售逻辑。二、多选题1.A、B、C-解释：购物车放弃通常伴随未支付、频繁修改地址或低停留时间。2.A、B、C-解释：DAU、留存率、会话时长是活跃度核心指标，搜索次数属于辅助指标。3.A、C-解释：回复评论可增强互动，投票机制能提升参与感。4.A、B、C-解释：窗口函数支持滚动计算、排序排名、分组内分析，但D需用`SUM()`等聚合函数。5.A、B、D-解释：距离、天气、加急订单直接影响时长，闲置时长仅与效率相关。三、判断题1.√2.√3.×（`LEFTJOIN`等可关联非主键）4.×（用户画像需结合消费、行为等多维度）5.×（清洗需平衡准确性与可用性）6.×（非线性关系需用其他模型）7.√8.×（可视化需突出重点，避免信息过载）9.×（Pandas主要用于数据处理，存储用CSV/数据库）10.√四、简答题1.漏斗分析法应用：-场景：分析用户从认知到转化的行为路径（如注册、下单、支付）。-核心指标：转化率（每阶段人数比）、流失率（每阶段流失人数比）。2.异常值影响与处理：-影响：误导统计结果（如拉高平均值）、干扰模型拟合。-处理：删除（若为错误数据）、替换（用中位数/均值）、分箱处理。3.促销效果评估指标：-转化率提升、客单价变化、活动参与人数、ROI（投入产出比）。4.数据报告平衡方法：-突出关键指标（如用饼图展示占比）、补充文字说明（解释趋势原因）、避免堆砌过多数据。五、综合应用题1.超市POS数据分析：（1）客单价=销售额/购买用户数≈1