2026年数据分析能力培训考核试卷及答案

2026年数据分析能力培训考核试卷及答案1.单选题（每题2分，共20分）1.1在Pythonpandas中，下列代码执行后df.shape的结果是importpandasaspddf=pd.DataFrame({'A':[1,2,3],'B':[4,5,6]})df=df.assign(C=df.A+df.B).drop(columns='A')A.(3,2)B.(3,3)C.(2,3)D.(2,2)答案：A1.2对一组右偏的连续变量做对数变换，主要目的是A.降低维度 B.减小偏度 C.提高峰度 D.增加方差答案：B1.3在SQL中，计算每个用户近7日活跃天数的最佳窗口函数写法是A.COUNT()OVER(PARTITIONBYuser_idORDERBYdtRANGEBETWEEN6PRECEDINGANDCURRENTROW)A.COUNT()OVER(PARTITIONBYuser_idORDERBYdtRANGEBETWEEN6PRECEDINGANDCURRENTROW)B.SUM(1)OVER(PARTITIONBYuser_idORDERBYdtROWS6PRECEDING)C.COUNT(dt)OVER(PARTITIONBYuser_idORDERBYdtROWSBETWEEN6PRECEDINGANDCURRENTROW)D.DENSE_RANK()OVER(PARTITIONBYuser_idORDERBYdtDESC)答案：C1.4使用主成分分析(PCA)时，第一主成分的方差贡献率等于A.第一特征值/特征值总和 B.第一特征向量模长 C.第一特征值/样本量 D.第一特征值/p答案：A1.5在A/B测试中，若检验指标为二分类转化率，样本量足够大，应采用的显著性检验方法是A.独立样本t检验 B.配对t检验 C.卡方检验 D.Mann-WhitneyU检验答案：C1.6XGBoost的目标函数obj=∑l(yi,ŷi)+∑Ω(fk)中Ω(fk)表示A.训练样本权重 B.树复杂度正则项 C.学习率 D.叶子权重之和答案：B1.7在时间序列分解模型Yt=Tt+St+Rt中，St是指A.趋势分量 B.季节分量 C.随机分量 D.周期分量答案：B1.8下列关于过拟合的说法正确的是A.训练误差低且测试误差高 B.训练误差高且测试误差低 C.训练误差与测试误差都高 D.训练误差与测试误差相等答案：A1.9在聚类评估指标中，取值范围在[−1,1]且越接近1越好的是A.SSE B.Silhouette系数 C.Calinski-Harabasz指数 D.Davies-Bouldin指数答案：B1.10在PowerBI中，建立星型模型时，事实表与维度表之间的连接应采用A.一对多，维度表主键→事实表外键 B.多对多 C.一对一 D.事实表主键→维度表外键答案：A2.多选题（每题3分，共15分；每题至少有两个正确答案，多选少选均不得分）2.1下列属于特征缩放方法的有A.Min-Max标准化 B.Z-score标准化 C.对数变换 D.Robust标准化 E.One-Hot编码答案：ABD2.2关于随机森林，下列说法正确的有A.可输出特征重要度 B.对异常值敏感 C.可并行训练 D.必使用深度为1的决策树 E.可处理缺失值答案：ACE2.3在SQL优化中，能够减少全表扫描的手段包括A.在WHERE列上建立索引 B.使用SELECT C.避免对索引列使用函数 D.使用LIMIT1 E.使用JOIN代替子查询A.在WHERE列上建立索引 B.使用SELECT C.避免对索引列使用函数 D.使用LIMIT1 E.使用JOIN代替子查询答案：ACDE2.4下列指标可用于回归模型评估的有A.MAE B.MSE C.AUC D.R² E.F1-score答案：ABD2.5在Python中，关于pandas.merge说法正确的有A.on参数缺失时默认按同名列连接 B.how='outer'保留左右表所有键 C.suffixes可自定义重名列后缀 D.只能连接两个表 E.支持按索引连接答案：ABCE3.填空题（每空2分，共20分）3.1在numpy中，生成形状为(100,5)且服从标准正态分布的随机数组的代码是________。答案：np.random.randn(100,5)3.2若线性回归模型y=β0+β1x的残差平方和SSE=36，总平方和SST=100，则R²=________。答案：0.643.3在SQL里，将字符串日期'2026-03-01'转为日期型的函数是________（MySQL语法）。答案：STR_TO_DATE('2026-03-01','%Y-%m-%d')3.4在Python中，使用seaborn绘制两变量联合分布图并带核密度估计的函数是________。答案：sns.jointplot3.5在sklearn中，使用Pipeline顺序执行标准化和逻辑回归的类是________。答案：Pipeline3.6在时间序列里，若观测序列为月度数据且季节周期为12，则SARIMA(p,d,q)(P,D,Q)s模型中s=________。答案：123.7在Excel中，计算一列数据A1:A100的第90百分位数的函数公式为________。答案：=PERCENTILE.INC(A1:A100,0.9)3.8在Tableau中，将度量转为维度可直接拖入________面板。答案：维度(Dimensions)3.9在Pythonpandas中，将category类型列按指定顺序['低','中','高']排序的方法名是________。答案：cat.reorder_categories3.10在统计学中，当样本量n→∞时，t分布趋近于________分布。答案：标准正态4.判断题（每题1分，共10分；正确打“√”，错误打“×”）4.1在k-means算法中，初始质心的选择对最终聚类结果无影响。 ×4.2当特征之间存在完全多重共线性时，线性回归的OLS估计无法得到唯一解。 √4.3在LightGBM中，leaf-wise的生长策略比level-wise更容易过拟合。 √4.4使用PCA降维后，原始特征的可解释性一定提高。 ×4.5在Excel中，数据透视表不支持将同一字段同时拖入行和列区域。 ×4.6若两变量相关系数为0，则它们一定独立。 ×4.7在Python中，DataFrame的apply方法默认按列轴操作。 √4.8在A/B测试的多重比较问题中，Bonferroni校正会降低Ⅰ类错误率但增加Ⅱ类错误率。 √4.9在SQL中，UNION会自动去重而UNIONALL不会。 √4.10在Prophet模型中，节假日效应通过indicator变量方式加入回归。 √5.简答题（封闭型，每题6分，共18分）5.1简述梯度提升树(GBDT)与随机森林在样本采样与模型集成方式上的两点主要区别。答案：1)样本采样：GBDT每轮使用全量样本训练新树以拟合残差；随机森林对每棵树自助采样(bootstrap)形成不同训练集。2)集成方式：GBDT采用Boosting串行加权累加，每棵树依赖前一轮结果；随机森林采用Bagging并行投票或平均，树之间独立。5.2写出在SQL中计算用户次日留存率的完整查询逻辑，要求给出字段含义。答案：SELECTdt,COUNT(DISTINCTb.user_id)1.0/COUNT(DISTINCTa.user_id)ASretention_2dCOUNT(DISTINCTb.user_id)1.0/COUNT(DISTINCTa.user_id)ASretention_2dFROM(SELECTDISTINCTuser_id,dtFROMlogin_log)aLEFTJOIN(SELECTDISTINCTuser_id,dtFROMlogin_log)bONa.user_id=b.user_idANDb.dt=DATE_ADD(a.dt,INTERVAL1DAY)GROUPBYa.dt;5.3说明L1正则与L2正则在特征选择中的作用差异。答案：L1正则通过几何性质(菱形约束)使部分系数精确压缩至0，实现自动特征选择；L2正则使系数整体缩小但不为0，对共线性稳健但不具备稀疏性。6.简答题（开放型，每题8分，共16分）6.1某电商APP发现近30日DAU连续下降，请给出数据分析思路与可能验证方向。答案：1)明确指标口径：DAU定义、去重规则、上报时机。2)拆分维度：渠道、版本、地域、设备、新老用户、活跃时段。3)时间序列分解：观察季节性与趋势，排除节假日因素。4)用户分层：计算新安装、回流、核心活跃、流失占比变化。5)竞品与外部：应用商店评论、竞品活动、舆论事件、疫情/天气。6)产品侧：核心路径转化率、崩溃率、关键接口耗时、推荐算法变更。7)数据质量：埋点丢失、上报延迟、口径变更。8)建立假设→数据验证→A/B测试或问卷→输出结论与修复方案。6.2请阐述在机器学习项目中“数据泄露”常见场景及预防措施。答案：常见场景：1)用未来信息预测过去，如训练集包含预测时刻之后变量。2)先整体标准化再划分训练测试集，导致统计量泄露。3)特征选择时基于全集计算重要度。4)交叉验证外泄露：用全量数据选模型再CV。5)目标衍生特征与标签高度相关。预防措施：1)严格按时序划分训练/验证/测试。2)管道(Pipeline)内仅对训练集计算变换参数。3)特征工程在每一折CV内独立进行。4)建立时间窗口，确保特征生成仅依赖历史。5)代码审查与单元测试，引入“时间旅行”检测脚本。7.应用题（计算类，共20分）7.1某短视频平台随机抽取10000条视频，记录播放量(x,万次)与点赞量(y,万次)，得到：∑xi=12000,∑yi=600,∑xi²=30000,∑yi²=120,∑xiyi=1500。(1)求线性回归方程y=β0+β1x的系数。（6分）(2)计算决定系数R²。（4分）答案：n=10000,x̄=1.2,ȳ=0.06Sxx=∑xi²-nx̄²=30000-10000×1.2²=15600Sxy=∑xiyi-nx̄ȳ=1500-10000×1.2×0.06=780β1=Sxy/Sxx=780/15600=0.05β0=ȳ-β1x̄=0.06-0.05×1.2=0回归方程：ŷ=0.05xSST=∑yi²-nȳ²=120-10000×0.06²=84SSR=β1Sxy=0.05×780=39R²=SSR/SST=39/84≈0.4647.2根据7.1结果，若某视频预测播放量x=10万次，给出点赞量95%置信区间(已知残差标准误差σ̂=0.08)。（4分）答案：ŷ=0.05×10=0.5标准误差SE=σ̂√(1+1/n+(x-x̄)²/Sxx)=0.08√(1+0.0001+(10-1.2)²/15600)≈0.0803t0.975,∞≈1.96，CI：0.5±1.96×0.0803→(0.343,0.657)万次7.3若平台希望点赞率(点赞量/播放量)均值提升10%，通过A/B测试检验，已知对照组点赞率p0=0.06，要求检验效能1-β=0.8，α=0.05，双侧检验，求每组所需最小样本量。（6分）答案：p1=0.06×1.1=0.066，Δ=0.006合并率p̄=(0.06+0.066)/2=0.063Z1-α/2=1.96，Z1-β=0.84n=[(1.96+0.84)²×2×0.063×(1-0.063)]/0.006²≈[7.84×0.118]/0.000036≈25700每组至少25700条视频。8.应用题（分析类，共15分）8.某O2O外卖平台提供“超级会员”月卡，为评估会员上线对非会员用户客单价的影响，采用双重差分法(DID)。数据包含城市、月份、是否会员城市、是否上线后、平均客单价。(1)给出DID模型设定与变量说明。（5分）答案：Yit=α+β1Treati+β2Postt+β3(Treati×Postt)+εitYit：城市i在t月平均客单价Treati：1=会员城市，0=非会员城市Postt：1=上线后月份，0=上线前月份β3为DID估计量，衡量会员上线对非会员客单价净影响。(2)写出检验平行趋势假设的可视化与统计方法。（4分）答案：可视化：绘制Treat组与Control组上线前各月Yit均值趋势图，观察是否重合。统计：在模型中加入Treat×月份虚拟变量，检验上线前交互项联合显著性，F检验p>0.05则支持平行趋势。(3)若β3=−2.3元，p<0.01，给出业务解释与后续建议。（6分）答案：会员上线导致非会员客单价下降2.3元，可能因补贴倾斜、流量转移。建议：1)细分品类，观察下降是否集中在高毛利商品。2)调整会员优惠力度，避免过度挤占非会员预算。3)对非会员推出轻度优惠，提高留存。4)监控长期趋势，评估品牌忠诚度变化。9.综合题（编程+报告，共26分）9.使用Python完成以下任务并给出关键输出与解读。数据：airbnb.csv，字段id、price、bedrooms、neighbourhood、reviews、availability_365、last_review。任务：(1)清洗：去除缺失last_review的行，price>0且≤1000，获得有效样本量。（2分）(2)特征工程：计算每条房源年均评论数=reviews/(2026-last_review年份)，生成新字段avg_review。（3分）(3)建模：以price为目标，bedrooms、neighbourhood、availability_365、avg_review为特征，采用随机森林回归，GridSearchCV调参(max_depth,n_estimators)，评估指标RMSE。（8分）(4)可视化：绘制特征重要度水平条形图。（3分）(5)报告：写出模型表现、重要度前三特征的业务含义及优化建议。（10分）答案：关键代码：importpandasaspd,numpyasnpfromsklearn.ensembleimportRandomForestRegressorfromsklearn.model_selectionimportGridSearchCV,train_test_splitfromsklearn.metricsimportmean_squared_errorimportmatplotlib.pyplotaspltdf=pd.read_csv('airbnb.csv')df=df.dropna(subset=['last_review'])df=df[(df.price>0)&(df.price<=1000)]print('N=',len(df))#输出：N=45600df['last_year']=pd.to_datetime(df.last_review).dt.yeardf['avg_review']=df.reviews/(2026-df.last_year)X=df[['bedrooms','availability_365','avg_review']]X=pd.concat([X,pd.get_dummies(df.neighbourhood)],axis=1)y=df.priceX_train,X_test,y_train,y_test=train_test_split(X,y,test_siz