2026年数据分析师职业资格考试试题及答案

2026年数据分析师职业资格考试试题及答案一、单项选择题（每题2分，共30分）1.某电商平台用户行为数据中，"支付时间"字段存在大量缺失值（缺失率35%），且该字段是分析用户支付时效性的关键指标。以下最合理的处理方式是：A.直接删除缺失行B.用订单创建时间替代C.按用户历史支付时间均值填充D.标记缺失值并单独建模答案：D解析：高缺失率且为关键指标时，直接删除（A）会损失大量样本；用订单时间替代（B）可能引入系统性偏差；用户历史均值（C）忽略了时间动态性；标记缺失值（D）可保留数据结构并通过模型捕捉缺失模式。2.以下SQL语句执行后，返回的记录数是：SELECTuser_idFROMuser_behaviorWHEREevent_type='click'GROUPBYuser_idHAVINGCOUNT()>5;GROUPBYuser_idHAVINGCOUNT()>5;A.所有点击次数大于5的用户ID去重后的数量B.所有点击事件中用户ID的总记录数C.每个用户点击次数大于5的事件记录数D.所有用户ID的唯一值数量答案：A解析：GROUPBYuser_id会按用户分组，HAVING筛选点击次数>5的组，SELECTuser_id返回这些组的用户ID，去重后计数。3.在正态分布数据中，若均值μ=100，标准差σ=15，数据点X=130对应的Z-score是：A.1.5B.2.0C.2.5D.3.0答案：B解析：Z=(X-μ)/σ=(130-100)/15=2.04.某模型对100个正样本和100个负样本进行预测，结果为TP=85，FN=15，FP=20，TN=80。该模型的F1分数是：A.0.85B.0.829C.0.875D.0.90答案：B解析：精确率P=TP/(TP+FP)=85/105≈0.8095；召回率R=TP/(TP+FN)=85/100=0.85；F1=2PR/(P+R)=2(0.80950.85)/(0.8095+0.85)≈0.829解析：精确率P=TP/(TP+FP)=85/105≈0.8095；召回率R=TP/(TP+FN)=85/100=0.85；F1=2PR/(P+R)=2(0.80950.85)/(0.8095+0.85)≈0.8295.以下不属于数据清洗范畴的操作是：A.处理日期格式不一致问题B.对分类变量进行独热编码C.检测并修正异常值D.填充缺失的用户年龄值答案：B解析：独热编码属于特征工程中的特征转换，数据清洗主要解决数据质量问题（格式、缺失、异常）。6.在A/B测试中，若选择显著性水平α=0.01而非α=0.05，最可能的影响是：A.增加第一类错误概率B.减少第二类错误概率C.更难拒绝原假设D.所需样本量减少答案：C解析：α是拒绝原假设的阈值，α越小，需要更强的证据才能拒绝原假设，因此更难得出显著结论。7.某数据集包含"用户注册时间"（datetime类型）和"首次购买时间"（datetime类型），计算用户注册到首次购买的时间差（单位：小时），正确的SQL表达式是：A.DATEDIFF(HOUR,reg_time,first_buy_time)B.TIMESTAMPDIFF(HOUR,reg_time,first_buy_time)C.EXTRACT(HOURFROM(first_buy_timereg_time))D.(first_buy_timereg_time)24D.(first_buy_timereg_time)24答案：B解析：不同数据库时间差函数不同，通用写法是TIMESTAMPDIFF(单位,开始时间,结束时间)。8.进行特征重要性分析时，以下哪种方法基于模型预测结果的变化程度计算？A.随机森林的基尼重要性B.LightGBM的特征分裂次数C.SHAP值D.线性回归的系数绝对值答案：C解析：SHAP值通过计算特征取值变化对模型输出的影响来评估重要性，属于模型无关的方法。9.某时间序列数据的ACF（自相关函数）呈现缓慢衰减，PACF（偏自相关函数）在滞后2阶后截尾，最可能的ARIMA模型是：A.ARIMA(2,0,0)B.ARIMA(0,0,2)C.ARIMA(2,1,0)D.ARIMA(0,1,2)答案：A解析：PACF截尾于p阶，ACF拖尾，对应AR(p)模型，即ARIMA(p,0,0)。10.以下哪项最适合用箱线图展示？A.各月份销售额的趋势变化B.不同地区用户年龄的分布差异C.产品销量与广告投入的相关性D.用户性别占比的结构分布答案：B解析：箱线图适合比较多组数据的分布（中心位置、离散程度、异常值），不同地区年龄分布符合此场景。11.在Python中，使用pandas处理数据时，若要将df1（包含列A、B）和df2（包含列A、C）按列A进行左连接，正确的代码是：A.pd.merge(df1,df2,on='A',how='left')B.pd.merge(df1,df2,on='A',how='right')C.pd.concat([df1,df2],axis=1)D.df1.join(df2,on='A',how='inner')答案：A解析：左连接保留df1的所有行，df2匹配的行，on指定连接键，how='left'正确。12.某分类问题中，正负样本比例为1:99，使用准确率作为评估指标会导致：A.模型倾向于预测多数类，准确率虚高B.模型更关注少数类的预测C.准确率能真实反映模型性能D.需要调整阈值来提高准确率答案：A解析：样本极不平衡时，预测所有样本为多数类即可获得99%准确率，无法反映模型对少数类的识别能力。13.以下属于监督学习任务的是：A.客户分群（聚类）B.异常检测（无监督）C.销量预测（回归）D.主题模型（LDA）答案：C解析：监督学习需要标签，销量预测有历史销量作为标签，属于回归任务。14.在数据可视化中，"避免使用3D图表"主要是为了：A.减少计算资源消耗B.避免视觉误导（如深度变形）C.符合设计潮流D.提高图表加载速度答案：B解析：3D图表可能因透视变形导致数据大小误判，影响信息准确性。15.某电商用户行为数据中，"页面停留时间"字段存在大量0值（实际为未记录），正确的处理方式是：A.直接保留0值参与计算B.用该页面平均停留时间替换C.标记为缺失值并剔除或插值D.转换为分类变量（是否>0）答案：C解析：0值是记录错误而非真实停留时间，应视为缺失值处理，避免影响均值等统计量。二、多项选择题（每题3分，共30分，少选得1分，错选不得分）1.以下可能导致数据泄露（DataLeakage）的情况有：A.在训练集中包含测试集的时间范围数据B.对全量数据标准化后再划分训练测试集C.用目标变量的均值填充缺失值D.在特征工程中使用未来时间点的信息答案：ABD解析：数据泄露指模型在训练时接触到本应在测试阶段才能获得的信息，A（时间混杂）、B（标准化使用测试集信息）、D（未来信息）均属此类；C（用训练集均值填充是正确操作）。2.特征工程中，对"用户注册时长（天）"字段进行分箱处理的目的包括：A.降低模型过拟合风险B.处理非线性关系C.提高计算效率D.消除量纲影响答案：ABC解析：分箱将连续变量离散化，可捕捉非线性关系（B），减少噪声影响（降低过拟合A），离散特征计算更快（C）；消除量纲需标准化（D错误）。3.以下属于时间序列预测模型的有：A.ARIMAB.LSTMC.ProphetD.XGBoost答案：ABCD解析：ARIMA（传统时序模型）、LSTM（神经网络时序）、Prophet（Facebook时序）、XGBoost（可通过构造滞后特征用于时序）均可用。4.进行A/B测试时，需要满足的前提条件包括：A.样本量足够大（满足统计功效）B.实验组和对照组随机分配C.仅改变一个变量（单变量测试）D.测试期间无其他干扰因素（如大促活动）答案：ABD解析：A（统计效力）、B（随机性）、D（控制变量）是必要条件；多变量测试（如同时改按钮颜色和文案）也可进行，只是分析更复杂（C错误）。5.以下关于混淆矩阵的描述正确的有：A.精确率=TP/(TP+FP)B.召回率=TP/(TP+FN)C.FPR=FP/(FP+TN)D.TPR=TN/(TN+FP)答案：ABC解析：D错误，TPR（真正例率）=TP/(TP+FN)，即召回率。6.在Python中，使用sklearn进行模型训练时，正确的流程包括：A.划分训练集和测试集→数据预处理→模型训练→评估B.数据预处理→划分训练集和测试集→模型训练→评估C.对训练集进行标准化，用训练集的均值/标准差标准化测试集D.对全量数据进行标准化后再划分训练测试集答案：AC解析：预处理应在划分后（避免数据泄露），标准化时测试集需使用训练集的统计量（C正确），B错误（预处理应在划分后），D错误（数据泄露）。7.以下SQL语句中，能正确计算每个用户最近一次购买时间的有：A.SELECTuser_id,MAX(purchase_time)ASlast_purchaseFROMordersGROUPBYuser_idB.SELECTuser_id,LAST_VALUE(purchase_time)OVER(PARTITIONBYuser_idORDERBYpurchase_time)ASlast_purchaseFROMordersC.SELECTuser_id,purchase_timeASlast_purchaseFROM(SELECT,ROW_NUMBER()OVER(PARTITIONBYuser_idORDERBYpurchase_timeDESC)ASrnFROM(SELECT,ROW_NUMBER()OVER(PARTITIONBYuser_idORDERBYpurchase_timeDESC)ASrnFROMorders)tWHERErn=1D.SELECTuser_id,purchase_timeASlast_purchaseFROMordersQUALIFYROW_NUMBER()OVER(PARTITIONBYuser_idORDERBYpurchase_timeDESC)=1答案：ACD解析：A（GROUPBY+MAX）、C（窗口函数+筛选首行）、D（QUALIFY子句）均正确；B（LAST_VALUE默认窗口是当前行到末尾，需指定RANGEBETWEENUNBOUNDEDPRECEDINGANDUNBOUNDEDFOLLOWING）可能不准确。8.以下属于非结构化数据的有：A.商品评论（文本）B.用户点击流日志（结构化）C.客服录音（音频）D.产品图片（图像）答案：ACD解析：非结构化数据无固定格式，B（日志通常有固定字段）属于结构化。9.提升分类模型对少数类（正样本）的预测能力，可采取的措施有：A.对正样本进行过采样（SMOTE）B.调整模型类别权重（class_weight='balanced'）C.降低分类阈值（从0.5调整到0.3）D.使用F1分数代替准确率作为评估指标答案：ABCD解析：过采样（A）、调整权重（B）、降低阈值（C）均能提升对少数类的关注，F1（D）更适合不平衡数据评估。10.数据可视化设计中，遵循的原则包括：A.明确传达核心信息（少即是多）B.颜色使用符合业务场景（如红色表示警告）C.坐标轴需标注单位和刻度D.图表类型与数据类型匹配（如时间序列用折线图）答案：ABCD解析：所有选项均为可视化基本原则。三、简答题（每题8分，共40分）1.简述数据清洗中处理异常值的常用方法及适用场景。答案：（1）删除法：适用于异常值数量少且为记录错误（如年龄200岁），直接删除对整体数据影响小；（2）修正法：若异常值由测量误差导致（如温度记录错误），可结合业务逻辑修正（如用前后时间点均值替代）；（3）分箱法：将连续变量离散化（如年龄分箱为0-18,19-30等），降低异常值对模型的影响，适用于需保留异常值业务含义的场景；（4）保留并标记：若异常值是真实业务现象（如高净值用户消费），可保留并在建模时作为独立特征（如是否为异常值），避免信息丢失。2.说明逻辑回归与支持向量机（SVM）在分类任务中的核心区别。答案：（1）模型原理：逻辑回归基于概率建模（输出类别概率），通过极大似然估计优化；SVM基于几何间隔最大化（寻找最大间隔超平面），通过结构风险最小化优化；（2）处理非线性问题：逻辑回归需手动构造非线性特征；SVM通过核函数（如RBF核）隐式映射到高维空间处理非线性；（3）对异常值敏感性：逻辑回归对异常值较敏感（似然函数受极端值影响）；SVM（硬间隔）严格要求不可分点，软间隔SVM通过惩罚因子降低敏感性；（4）输出结果：逻辑回归提供概率值（可用于风险评分）；SVM输出类别标签（或到超平面的距离）。3.设计一个评估推荐系统效果的指标体系，需包含至少4类指标并说明其意义。答案：（1）准确性指标：如精确率（推荐中用户点击的比例）、召回率（用户实际点击的商品被推荐的比例），衡量推荐与用户兴趣的匹配程度；（2）多样性指标：如推荐列表的类目覆盖数、商品间相似度均值，避免推荐过于同质化，提升用户体验；（3）时效性指标：如推荐结果的新鲜度（最近上架商品占比），反映系统对新商品的捕捉能力；（4）商业指标：如推荐带来的GMV提升率、点击转化率（CTR），直接衡量推荐对业务目标的贡献；（5）用户满意度指标：如推荐页面停留时间、用户反馈评分（1-5分），从用户主观感受评估效果。4.解释"辛普森悖论"的含义，并举例说明如何避免。答案：含义：当数据按不同分组汇总时，某变量的趋势可能与分组内的趋势相反（如整体A方案优于B，但每个子组B方案更优）。举例：某药物测试中，整体治愈率A药（30%）高于B药（25%），但按年龄分组后，青年组B药治愈率（40%vs35%）、老年组B药（10%vs5%）均更高。原因是A药更多用于青年（健康人群），B药用于老年（脆弱人群）。避免方法：（1）分析时考虑混杂变量（如年龄、性别），进行分层分析；（2）使用标准化方法（如直接标化率）消除分组构成差异；（3）通过随机对照试验（RCT）平衡各组特征分布。5.简述使用Python进行机器学习建模的完整流程（从数据加载到模型部署）。答案：（1）数据加载：使用pandas读取CSV/数据库等数据源，提供DataFrame；（2）探索性分析（EDA）：通过describe()、可视化（箱线图、热力图）分析数据分布、缺失、相关性；（3）数据预处理：缺失值处理（删除/插值/标记）；异常值处理（删除/修正/分箱）；特征工程（分类变量编码、连续变量分箱、构造新特征如RFM）；数据划分（train_test_split，时间序列用时间分割）；特征缩放（标准化/归一化，仅对训练集拟合，测试集转换）；（4）模型选择与训练：基线模型（如逻辑回归）→复杂模型（如XGBoost）；超参数调优（GridSearchCV/RandomizedSearchCV）；交叉验证（k-foldCV）评估稳定性；（5）模型评估：分类：混淆矩阵、ROC-AUC、F1；回归：MSE、RMSE、R²；分析特征重要性（SHAP/LIME）；（6）模型部署：转换为生产环境格式（如用pickle保存模型，或转换为ONNX）；封装API（Flask/FastAPI）供业务系统调用；监控模型性能（预测偏差、数据漂移），定期重新训练。四、综合分析题（每题20分，共40分）1.某电商平台需分析"新用户7日留存率"（注册后7天内返回的用户比例），现有数据包含：用户ID、注册时间、首次活跃时间（登录/浏览）、性别、年龄、注册渠道（APP/小程序/H5）、注册时所在城市（一线/新一线/二线/其他）。要求：（1）定义"7日留存用户"的明确标准；（2）设计分析思路（包含关键指标、分析方法、可视化建议）；（3）给出可能的业务结论方向。答案：（1）留存标准定义：注册后第1-7天（以注册日期为T0，T1-T7）内至少有1次活跃行为（登录/浏览）的用户，视为7日留存用户。注意：活跃时间需>注册时间，排除注册当天即活跃但后续无行为的情况（若业务关注"次日留存"则需调整）。（2）分析思路：①关键指标：整体7日留存率=留存用户数/注册用户总数；分维度留存率（性别/年龄/渠道/城市）；留存用户的活跃间隔分布（注册后第几天首次返回）；注册到首次活跃的时间差（小时）。②分析方法：cohort分析：按注册日期分组（每日/每周cohort），跟踪每组7日留存率，观察趋势变化；对比分析：通过卡方检验/F检验验证不同维度（渠道/城市）留存率是否有显著差异；相关分析：计算留存率与注册到首次活跃时间的相关系数，探索快速活跃对留存的影响；细分归因：对低留存渠道/城市，进一步分析用户注册后的行为路径（如注册页到首页的跳转率、关键页面访问量）。③可视化建议：折线图：展示各cohort的7日留存率趋势；柱状图：对比不同渠道/城市的留存率（带置信区间）；箱线图：注册到首次活跃时间在留存/未留存用户中的分布差异；热力图：年龄-性别组合的留存率矩阵，定位高/低留存群体。（3）业务结论方向：发现核心高留存渠道（如APP端留存率比H5高20%），建议资源向该渠道倾斜；识别低留存城市（如二线城市留存率仅35%，低于平均45%），分析是否因本地运营活动不足或服务器响应慢；验证"注册后24小时内活跃"的用户留存率（60%）显著高于超过24小时活跃的用户（25%），建议优化注册引导流程（如新手任务、弹窗福利）促进快速活跃；年龄分布显示18-25岁用户留存率最高（50%），可针对性设计符合该群体偏好的内容（如潮流商品推荐）。2.某零售企业计划构建"用户复购预测模型"（复购定义：30天内再次购买），已有数据包括：用户基本信息（年龄、性别）、历史购买数据（近6个月购买次数、客单价、最近一次购买时间）、行为数据（APP登录次数、商品页浏览量、加购数）、营销数据（收到的优惠券数量、优惠券使用率）。要求：（1）说明特征工程的具体步骤及原因；（2）选择2种适合的模型并说明理由；（3）设计模型评估方案（包含指标及验证方法）；（4）给出模型上线后的监控要点。答案：（1）特征工程步骤：①基础特征构造：时间特征：最近一次购买时间距当前天数（R值，反映活跃程度）；注册时长（天，反映用户生命周期阶段）；频率特征：近30天/60天购买次数（F值）、登录次数、浏览量（衡量用户活跃度）；消费特征：客单价均值/最大值/变异系数（M值，反映消费能力与稳定性）；营销响应特征：优惠券使用率（使用次数/收到次数）、最近一次使用优惠券时间（反映对营销的敏感度）。②非线性特征处理：对年龄进行分箱（如18-25,26-35等），捕捉年龄与复购的非线性关系；计算浏览量/登录次数（浏览效率）、加购数/浏览量（加购转化率），构造行为效率类特征。③缺失值处理：历史购买次数缺失（新用户）标记为0；优惠券使用率缺失（未收到过优惠券）标记为-1（单独类别）。④特征筛选：用IV值（信息价值）筛选高预测能力的特征（IV>0.1）；用VIF（方差膨胀因子）检测多重共线性，剔除高相关性特征（如近30天购