2026年数据分析与挖掘能力测试试题及答案

2026年数据分析与挖掘能力测试试题及答案一、单项选择题（每题2分，共20分。每题只有一个正确答案，请将正确选项字母填在括号内）1.在数据预处理阶段，下列哪项技术最适合处理缺失值比例超过60%的连续型变量？A.均值填补B.多重插补C.删除该变量D.前向填充答案：C2.使用K-Means聚类时，若样本量n=10000，维度p=2，最大迭代次数T=300，初始质心随机选取，则算法时间复杂度的大O表示为：A.O(n·p·T)B.O(n²·p)C.O(p²·T)D.O(n·logn)答案：A3.在Pythonpandas中，对DataFramedf执行df.groupby('city')['sales'].transform('mean')后返回对象的行数与下列哪一项相同？A.df['city'].nunique()B.len(df)C.df['sales'].mean()D.df.groupby('city').size().sum()答案：B4.下列关于XGBoost中参数lambda（L2正则化系数）的说法，正确的是：A.仅作用于叶子节点权重，不影响分裂点选择B.越大越容易导致过拟合C.越大模型复杂度惩罚越强D.仅对回归任务有效答案：C5.在A/B测试中，若对照组转化率p₁=0.04，实验组p₂=0.05，两组样本量相等且n=10000，则合并标准误SE_pooled最接近：A.0.0006B.0.0009C.0.0012D.0.0020答案：B6.使用Apriori算法时，若最小支持度阈值从0.01提高到0.05，则频繁1-项集数量将：A.不变B.增加C.减少D.先增后减答案：C7.在PCA中，若原始变量协方差矩阵Σ的特征值λ₁=5.2，λ₂=1.3，λ₃=0.5，则第一主成分的方差解释率为：A.65%B.74%C.80%D.90%答案：B8.下列哪种评估指标对类别不平衡最不敏感？A.AccuracyB.F1-scoreC.AUC-ROCD.Cohen’sKappa答案：C9.在SparkMLlib中，使用ALS训练隐语义模型时，下列参数直接控制矩阵分解秩的是：A.maxIterB.regParamC.rankD.alpha答案：C10.若时间序列采用SARIMA(1,1,1)(1,1,1)₁₂模型，则其需要估计的系数总数为：A.3B.4C.5D.6答案：D二、多项选择题（每题3分，共15分。每题有两个或两个以上正确答案，多选、少选、错选均不得分）11.下列哪些方法可直接用于特征降维且属于线性变换？A.LDAB.t-SNEC.ICAD.PCA答案：A、C、D12.关于LightGBM中的直方图算法，下列说法正确的有：A.将连续特征离散化到k个binB.减少分裂点搜索次数C.增加内存占用D.支持类别特征直接输入答案：A、B、D13.在SQL中使用窗口函数时，下列子句可与OVER()配合使用的有：A.PARTITIONBYB.ORDERBYC.ROWSBETWEEND.GROUPBY答案：A、B、C14.下列哪些指标可用于评估回归模型的预测误差？A.MAPEB.R²C.GiniD.RMSE答案：A、B、D15.在文本挖掘中，使用TF-IDF向量化后，下列操作可能降低特征稀疏性的有：A.设置max_df=0.8B.设置min_df=5C.使用sublinear_tfD.增加ngram_range到(1,3)答案：A、B、C三、填空题（每空2分，共20分）16.在Pythonnumpy中，生成形状为(100,5)且服从标准正态分布的随机数组的命令为________。答案：np.random.randn(100,5)17.若某决策树节点熵为0.8，分裂后两个子节点熵分别为0.2与0.5，权重各0.5，则信息增益为________。答案：0.8-(0.5×0.2+0.5×0.5)=0.8-0.35=0.4518.在SQL中，将表user的列age中NULL更新为列age_mean的表达式，可写作UPDATEuserSETage=________WHEREageISNULL。答案：COALESCE(age,age_mean)19.使用5折交叉验证时，若训练集含2000条样本，则每折训练集大小为________条。答案：160020.在时间序列分解中，若观测值O_t=500，趋势T_t=480，季节S_t=1.05，则随机成分I_t=________。答案：500/(480×1.05)≈0.99221.若逻辑回归模型系数β₀=-3，β₁=0.02，则当特征x₁=200时，事件发生的概率p=________（保留三位小数）。答案：1/(1+e^(-(-3+0.02×200)))=1/(1+e^1)=0.26922.在Spark中，DataFrame的缓存级别默认为________。答案：MEMORY_AND_DISK23.使用K-S检验评估两样本分布差异时，若统计量D=0.18，样本量n₁=n₂=500，则近似p值计算公式为________。答案：p≈2·exp(-2·n·D²)=2·exp(-2·500·0.18²)24.在关联规则中，若规则{A}→{B}的置信度为0.7，支持度为0.1，则事务数据库中项集{A}出现频率为________。答案：支持度/置信度=0.1/0.7≈0.14325.若使用MinMaxScaler将变量x缩放到[0,1]，已知x_min=10，x_max=110，当x=60时，缩放后值为________。答案：(60-10)/(110-10)=0.5四、简答题（共25分）26.（封闭型，6分）简述过拟合与欠拟合的区别，并分别给出一种缓解方法。答案：过拟合指模型在训练集表现优异但在测试集表现显著下降，原因为模型复杂度过高或样本噪声过大；缓解方法包括增加正则化、减少模型复杂度、扩大训练集、早停等。欠拟合指模型在训练集与测试集均表现不佳，原因为模型复杂度不足或特征信息量不够；缓解方法包括增加模型复杂度、添加新特征、减少正则化强度、延长训练时间等。27.（开放型，9分）某电商公司发现“用户近7日浏览时长”特征在预测复购时AUC仅0.52，远低于业务预期。请给出至少三条可能的深层原因及对应改进策略。答案：原因1：特征粒度太粗，7日汇总掩盖了关键日内模式。策略：拆分为24小时分时段统计，引入浏览频率峰值间隔。原因2：浏览时长与复购非线性关系未被捕捉。策略：使用分桶或样条变换，引入交互项如“浏览时长×优惠券领取”。原因3：存在混杂变量，如促销活动同时影响浏览与复购。策略：构建促销强度指标并加入模型，采用因果推断方法（如PSM）剔除混杂。原因4：标签定义不合理，把30天内购买都视为复购，导致大量噪声正样本。策略：缩短标签窗口至7天或按品类分层定义复购。原因5：数据质量问题，时长字段因埋点异常出现大量0值。策略：联合日志团队清洗埋点，使用心跳包校准，缺失值单独建模式。28.（封闭型，5分）写出使用Pythonscikit-learn对数据集X,y进行标准化、PCA降维到k=50、再用逻辑回归做10折交叉验证，并返回平均AUC的完整代码片段（不超过10行）。答案：fromsklearn.preprocessingimportStandardScalerfromsklearn.decompositionimportPCAfromsklearn.linear_modelimportLogisticRegressionfromsklearn.model_selectionimportcross_val_scorefromsklearn.pipelineimportPipelinepipe=Pipeline([('sc',StandardScaler()),('pca',PCA(n_components=50)),('clf',LogisticRegression(max_iter=1000))])auc=cross_val_score(pipe,X,y,cv=10,scoring='roc_auc').mean()print(auc)29.（开放型，5分）解释“数据泄露”在时序预测中的特殊表现形式，并给出至少两条检测技巧。答案：时序泄露指未来信息在训练阶段被模型非法使用，例如用未来观测值作为特征、交叉验证未按时间顺序划分、特征工程滑动窗口包含未来点。检测技巧：1)绘制特征与标签的滞后相关性，若lag=0出现不合理高相关则可能存在泄露；2)采用前向滚动验证，若验证集性能骤降则提示泄露；3)检查特征生成代码，确认所有窗口上限<t；4)人工构造“未来不可能已知”变量（如下一日真实销量）加入模型，若重要性显著则泄露。五、应用题（共40分）30.（计算类，10分）某零售品牌提供2025年Q1的日销量数据（单位：件），样本量n=90，已知样本均值x̄=1200，样本标准差s=180。若希望估计总体均值μ的95%置信区间且误差界限不超过20件，问至少需追加多少天的观测？（z₀.₉₇₅=1.96）答案：由误差界限E=z·s/√n≤20，得√n≥z·s/E=1.96×180/20=17.64，故n≥311.17，已观测90天，追加天数≥311.17-90≈221.17，向上取整222天。31.（分析类，15分）某视频平台欲通过用户行为数据预测会员续费。提供训练集含100万用户、500维原始特征，正负样本比例1:9。(1)若采用随机森林，请给出合理的class_weight设置，并解释原因。（3分）答案：设置class_weight='balanced'，算法按样本比例倒数赋予正样本权重9，负样本权重1，缓解少数类被忽略问题。(2)训练后模型在测试集上AUC=0.95，但Recall@Top10%=0.12，请分析可能原因并提出两条改进措施。（6分）答案：原因：AUC全局评估排序能力，但头部排序仍偏向多数类；样本极度不平衡导致概率阈值默认0.5时高分段几乎全为负样本。改进：a)采用焦点损失或代价敏感学习，进一步放大正样本在头部排序的惩罚；b)使用概率校准（PlattScaling或Isotonic）后再调整阈值，使Top10%覆盖更多正样本；c)引入XGBoost的scale_pos_weight与自定义评估metric（如NormalizedGini），直接优化头部排序。(3)若要在Spark上分布式训练，随机森林的哪些参数会显著影响内存消耗？给出调优方向。（3分）答案：numTrees、maxDepth、maxBins。调优：减少树数量、降低深度、减少分箱数，使用特征子采样subsamplingRate，开启checkpointInterval将中间节点持久化到HDFS。(4)若业务要求模型可解释，请给出一种全局解释方法及实施步骤。（3分）答案：采用特征重要性（GiniImportance）。步骤：训练后调用model.featureImportances，按权重排序，输出Top20特征；绘制条形图并关联业务含义，如“近30日观看时长”权重最高，结合运营策略验证其合理性。32.（综合类，15分）某市交通部门提供2025年3月共31天的地铁刷卡数据，字段：card_id,swipe_time,station,line,status(0=进站,1=出站)。请完成以下任务：(1)计算每日客流量（进出站合计），并检测异常高客流日期。（4分）答案：SQL：SELECTDATE(swipe_time)ASdt,COUNT()ASvolFROMmetroGROUPBYdtORDERBYvolDESC；异常检测可用IQR规则，若vol>Q3+1.5IQR则标记异常。SQL：SELECTDATE(swipe_time)ASdt,COUNT()ASvolFROMmetroGROUPBYdtORDERBYvolDESC；异常检测可用IQR规则，若vol>Q3+1.5IQR则标记异常。(2)构建乘客出行时长特征，并给出缺失值处理策略。（3分）答案：对每卡每次进站匹配最近出站记录，计算swipe_time差作为时长；未匹配成功视为缺失，缺失率若<5%可删除，否则用同线路同期中位数填补。(3)使用DBSCAN聚类发现异常出行模式，请说明关键参数设置与距