2026年数据试题及答案

2026年数据试题及答案一、单项选择题（每题2分，共20分）1.某电商平台2025年Q4用户消费数据中，“用户ID”字段属于（）类型数据。A.定类数据B.定序数据C.定距数据D.定比数据2.若一组数据的偏度系数为-1.2，说明该数据分布（）。A.右偏且尾部较长B.左偏且尾部较长C.对称分布D.无法判断3.在回归分析中，若调整后的R²为0.85，而普通R²为0.87，可能的原因是（）。A.模型添加了不显著的自变量B.模型遗漏了关键自变量C.样本量过小D.因变量存在异方差4.某银行信贷数据集中，“逾期天数”的缺失值占比为35%，且缺失模式与“收入水平”高度相关（收入越低，缺失率越高）。此时最合理的处理方式是（）。A.直接删除缺失行B.用均值填充C.用中位数填充D.构建预测模型填充5.某短视频平台用户日活跃时长的分布近似正态，均值为68分钟，标准差为12分钟。则约95%的用户日活跃时长落在（）区间。A.(44,92)B.(56,80)C.(32,104)D.(68,80)6.在A/B测试中，若实验组转化率为12%，对照组为10%，p值为0.03，显著性水平α=0.05。结论应为（）。A.拒绝原假设，实验组转化率显著更高B.不拒绝原假设，无显著差异C.需增大样本量D.结果不可信7.某数据集经主成分分析（PCA）后，前两个主成分的方差贡献率分别为45%和30%，则前两个主成分能解释原数据（）的信息。A.45%B.30%C.75%D.100%8.以下SQL语句中，能正确计算2025年12月用户订单金额总和的是（）。A.SELECTSUM(amount)FROMordersWHEREorder_dateBETWEEN'2025-12-01'AND'2025-12-31';B.SELECTTOTAL(amount)FROMordersWHEREorder_dateIN'2025-12';C.SELECTSUM(amount)FROMordersWHEREorder_dateLIKE'2025-12%';D.SELECTAVG(amount)FROMordersWHEREorder_date>='2025-12-01';9.若某分类模型的混淆矩阵如下（行为真实类别，列为预测类别），则精确率（Precision）为（）。正类负类正类8515负类2080A.85/(85+15)B.85/(85+20)C.80/(15+80)D.(85+80)/(85+15+20+80)10.某地区人口数据中，“年龄”与“月收入”的Pearson相关系数为0.72，Spearman相关系数为0.65。可能的原因是（）。A.两者存在非线性关系B.数据中存在异常值C.样本量不足D.年龄与收入完全正相关二、简答题（每题8分，共40分）11.简述数据清洗中处理异常值的常用方法，并说明各自适用场景。12.解释“辛普森悖论”的含义，并举一个实际案例说明。13.对比时间序列分析中的移动平均法（MA）与指数平滑法（ES），说明两者的核心区别及适用场景。14.简述在机器学习中划分训练集、验证集和测试集的目的，并说明分层抽样的必要性。15.某企业计划用用户行为数据预测“是否购买会员”（二分类问题），列举5个可能的特征变量，并说明其与目标变量的潜在关联。三、计算题（每题10分，共30分）16.某超市2025年1-6月销售额（单位：万元）如下：320、350、380、410、440、470。（1）计算该时间序列的一阶差分，判断是否存在趋势性；（2）用简单移动平均法（n=3）预测7月销售额；（3）若7月实际销售额为500万元，计算预测绝对误差和相对误差。17.某电商平台用户复购数据如下：随机抽取1000名用户，其中600名在30天内复购（记为1），400名未复购（记为0）。假设复购行为服从二项分布，计算：（1）样本复购率的均值和方差；（2）以95%置信水平估计总体复购率的置信区间（Z=1.96）；（3）若希望置信区间宽度不超过2%，至少需要抽取多少样本？18.某社交APP用户日活跃时长（分钟）与日均发布动态数的样本数据如下：日活跃时长（X）152025303540日均发布动态数（Y）234567（1）计算X与Y的Pearson相关系数；（2）拟合Y关于X的一元线性回归方程（Ŷ=a+bX）；（3）解释回归系数b的实际意义。四、综合应用题（共30分）19.某生鲜电商平台2025年用户行为数据包含以下字段：用户ID（user_id）、注册时间（reg_time）、最近一次购买时间（last_buy_time）、购买次数（buy_count）、总消费金额（total_amount）、是否为会员（is_member，1=是，0=否）、性别（gender）、年龄（age）。请根据数据回答以下问题：（1）（10分）分析会员用户与非会员用户的消费差异。要求：①计算两组用户的平均购买次数、平均消费金额；②检验两组平均消费金额是否存在显著差异（假设数据服从正态分布，方差不齐）；③给出结论。（2）（10分）构建用户生命周期价值（LTV）预测模型。要求：①定义LTV的核心指标（需结合业务场景）；②列举至少5个关键特征变量，并说明其与LTV的关联；③说明模型选择（如线性回归、随机森林等）及理由。（3）（10分）平台计划推出“新人首单立减10元”活动，设计A/B测试方案。要求：①明确实验目标、核心指标；②定义实验组与对照组；③说明样本量计算的关键参数（如基线值、最小可检测差异、α、β）；④列出需控制的混杂变量。答案部分一、单项选择题1.A（用户ID仅用于分类，无顺序或数值意义）2.B（偏度系数为负，左偏；绝对值>1，尾部较长）3.A（调整R²会惩罚自变量数量，若低于普通R²，说明新增变量不显著）4.D（缺失与收入相关，属于非随机缺失，需用模型预测填充）5.A（正态分布95%数据在μ±2σ，即68±24）6.A（p<α，拒绝原假设，认为实验组更优）7.C（方差贡献率相加为45%+30%=75%）8.A（B中TOTAL非标准函数；C中LIKE可能包含非12月日期；D计算均值）9.B（精确率=TP/(TP+FP)=85/(85+20)）10.A（Pearson衡量线性相关，Spearman衡量单调相关，差异可能因非线性关系）二、简答题11.处理异常值的常用方法及场景：①删除法：适用于异常值由记录错误导致（如年龄-5岁），且占比极低（<5%）；②替换法：用均值、中位数或分位数替换，适用于异常值为随机误差（如某用户消费金额因系统错误显示为0）；③保留法：若异常值反映真实业务场景（如高净值用户大额消费），需保留并单独分析；④分箱法：将连续变量离散化（如将“年龄”分为“0-18”“19-30”等），降低异常值影响，适用于非线性关系场景。12.辛普森悖论指分组数据与整体数据的趋势相反的现象。例如：某医院两种手术方式（A、B）的治愈率，分组看A对轻症（90%vs85%）和重症（30%vs25%）均优于B，但整体看B的治愈率更高（因B组接收更多轻症患者）。这是由于分组样本量不均衡导致的。13.移动平均法（MA）与指数平滑法（ES）的区别：①核心区别：MA对历史数据等权处理（仅使用最近n期数据）；ES对历史数据赋予递减权重（近期数据权重更高）；②适用场景：MA适用于数据无明显趋势或季节波动，且需平滑短期随机波动；ES适用于数据有趋势性（如销售额逐年增长），需更关注近期变化。14.划分训练集、验证集、测试集的目的：①训练集：拟合模型参数（如回归系数）；②验证集：调整超参数（如树模型的最大深度），防止过拟合；③测试集：评估模型泛化能力（仅使用一次）。分层抽样的必要性：确保各数据集的类别分布与总体一致（如正类占比5%的二分类问题），避免因随机抽样导致某类数据缺失，影响模型评估准确性。15.可能的特征变量及关联：①历史购买频率：频率越高，用户对平台粘性越强，购买会员概率更高；②平均客单价：客单价高的用户更可能为便利支付会员费；③浏览商品种类数：浏览种类多的用户需求更广泛，会员权益（如免运费）吸引力大；④最近一次购买时间（R值）：近期购买用户处于活跃期，转化会员概率更高；⑤是否领取过优惠券：领取并使用优惠券的用户对价格敏感，会员折扣可能促转化。三、计算题16.（1）一阶差分：350-320=30，380-350=30，410-380=30，440-410=30，470-440=30。差分恒为30，说明存在严格线性增长趋势。（2）简单移动平均（n=3）预测7月销售额：(410+440+470)/3=440万元。（3）绝对误差=|500-440|=60万元；相对误差=60/500=12%。17.（1）样本复购率p=600/1000=0.6，均值=0.6；方差=p(1-p)/n=0.6×0.4/1000=0.00024。（2）置信区间=p±Z×√[p(1-p)/n]=0.6±1.96×√0.00024≈0.6±0.030，即(0.57,0.63)。（3）宽度=2×Z×√[p(1-p)/n]≤0.02→n≥(Z²×p(1-p))/(宽度/2)²=(1.96²×0.6×0.4)/(0.01)²≈9216，至少需9216个样本。18.（1）计算得X均值=27.5，Y均值=4.5；协方差=Σ[(Xi-27.5)(Yi-4.5)]/5=((-12.5)(-2.5)+(-7.5)(-1.5)+(-2.5)(-0.5)+(2.5)(0.5)+(7.5)(1.5)+(12.5)(2.5))/5=(31.25+11.25+1.25+1.25+11.25+31.25)/5=87.5/5=17.5；X标准差=√[Σ(Xi-27.5)²/5]=√[(156.25+56.25+6.25+6.25+56.25+156.25)/5]=√[437.5/5]=√87.5≈9.354；Y标准差=√[Σ(Yi-4.5)²/5]=√[(6.25+2.25+0.25+0.25+2.25+6.25)/5]=√[17.5/5]=√3.5≈1.871；Pearson相关系数=17.5/(9.354×1.871)≈1（实际计算中因数据严格线性，r=1）。（2）b=协方差/(X方差)=17.5/(87.5)=0.2（或用最小二乘法：b=Σ(Xi-X̄)(Yi-Ȳ)/Σ(Xi-X̄)²=87.5/437.5=0.2）；a=Ȳ-bX̄=4.5-0.2×27.5=4.5-5.5=-1；回归方程：Ŷ=-1+0.2X。（3）b=0.2表示日活跃时长每增加1分钟，日均发布动态数平均增加0.2条。四、综合应用题19.（1）①会员用户平均购买次数=Σ(buy_count×is_member=1)/会员数；平均消费金额=Σ(total_amount×is_member=1)/会员数；非会员同理。②采用独立样本t检验（方差不齐时用Welch’st-test）：原假设H0：μ会员=μ非会员；备择假设H1：μ会员≠μ非会员；计算t统计量=（X̄1-X̄2）/√(S1²/n1+S2²/n2)，自由度df=(S1²/n1+S2²/n2)²/[(S1²/n1)²/(n1-1)+(S2²/n2)²/(n2-1)]；若p<0.05，拒绝H0，认为存在显著差异。③结论：若p<0.05，会员用户平均消费金额显著高于非会员；否则无显著差异。（2）①LTV定义：用户在生命周期内为平台带来的总利润，可计算为“总消费金额×（1-成本率）-获客成本”。②关键特征：注册时长：注册越久，可能消费周期越长；最近一次购买时间（R值）：近期活跃用户LTV更高；购买频率（F值）：频率高用户粘性强；平均客单价（M值）：客单价高直接提升LTV；会员状态：会员用户复购率更高，LTV更稳定。③模型选择随机森林：能处理非线性关系（如年龄与LTV的非单调关联），自动筛选重要特征（如识别F值比性别更关键），鲁棒性强（对异常值不敏感）。（3）①实验目标：验证“新人首单立减10元”