2026年Excel高级数据挖掘与预测模拟试题

2026年Excel高级数据挖掘与预测模拟试题一、单项选择题（本大题共10小题，每小题2分，共20分）1.在Excel中，使用“数据透视表”进行高级数据挖掘时，以下哪种方法最适合实现多维度的数据聚合分析？（）A.仅通过“值”字段进行简单求和B.利用“切片器”和“筛选器”组合实现动态数据钻取C.仅依赖“行”和“列”字段创建静态报表D.通过“数据透视图”直接生成可视化图表解析：正确答案为B。在高级数据挖掘场景中，“切片器”和“筛选器”的组合能够实现动态数据钻取，允许用户通过交互式操作从多个维度（如时间、地区、产品类别等）深入分析数据。选项A仅实现简单聚合，选项C无法实现动态分析，选项D虽然能生成图表但本质仍是静态报表。该知识点源自《Excel高级数据挖掘与预测》第3章“多维数据分析工具”的核心内容，强调动态交互在复杂分析中的必要性。2.使用Excel的“PowerQuery”功能进行数据清洗时，以下哪种操作最适合处理缺失值？（）A.直接使用“删除行”功能移除含有空值的记录B.通过“查找与替换”功能将空值填充为0C.利用“填充”功能向下的方式自动填充空值D.使用“高级筛选”功能创建不包含空值的子集解析：正确答案为A。在高级数据挖掘中，直接删除含有空值的记录通常不是最佳选择，但相比其他选项，这是最符合数据清洗规范的操作。选项B将所有空值填充为0可能扭曲数据分布，选项C的向下填充仅适用于连续数值序列，选项D仅创建子集而不修改原始数据。该知识点对应第4章“数据清洗高级技巧”中关于缺失值处理的规范方法。3.在Excel中构建预测模型时，使用“规划求解”功能优化预测参数，以下哪种目标函数最适合最大化预测准确率？（）A.最大化预测值与实际值之差的绝对和B.最大化预测值与实际值之差的平方和C.最小化预测值与实际值之差的绝对和D.最小化预测值与实际值之差的平方和解析：正确答案为D。在预测模型优化中，最小化预测值与实际值之差的平方和（均方误差）是最常用的目标函数，因为它对较大误差给予更重惩罚，符合统计建模原理。选项A和C的绝对和惩罚力度均匀，选项B的平方和会因平方操作导致数值畸变。该知识点源自第6章“预测模型参数优化”的核心理论，强调误差函数选择对模型性能的影响。4.使用Excel的“分析工具库”进行回归分析时，以下哪个参数是控制模型拟合严格度的关键？（）A.样本量（n）B.显著性水平（α）C.自变量数量（k）D.R平方值解析：正确答案为B。显著性水平α直接控制模型拒绝原假设的严格程度，α值越低（如0.01代替0.05）模型越严格，需要更强的证据才接受自变量对因变量的显著影响。选项A样本量影响统计功效但非拟合严格度，选项C自变量数量影响模型复杂度，选项D是拟合优度指标而非控制参数。该知识点对应第7章“回归分析高级应用”中关于假设检验的严格度控制方法。5.在Excel中创建数据挖掘分类模型时，以下哪种算法最适合处理高维稀疏数据？（）A.决策树B.逻辑回归C.支持向量机（SVM）D.K近邻（KNN）解析：正确答案为C。支持向量机（SVM）通过核函数能有效处理高维数据，其结构风险最小化原理使其在特征维度远大于样本量的稀疏数据中表现优异。决策树易过拟合，逻辑回归对高维数据假设较强，KNN计算复杂度高。该知识点源自第9章“分类算法比较”中关于算法适用性场景的讨论，强调SVM在数据挖掘中的特殊优势。6.使用Excel的“数据模型”功能构建关联分析时，以下哪种度量最适合发现强关联规则？（）A.支持度（Support）B.置信度（Confidence）C.提升度（Lift）D.频率（Frequency）解析：正确答案为C。提升度（Lift）是衡量规则A→B实际发生概率与偶然发生概率之比的关键指标，Lift>1表示规则存在正向关联，Lift>5通常视为强关联。支持度衡量规则出现频率，置信度衡量规则前件出现时后件出现的概率，频率仅是原始计数。该知识点对应第5章“关联规则挖掘”中关于规则强度评估的量化方法。7.在Excel中实现动态预测滚动窗口时，以下哪种函数最适合计算移动平均？（）A.SUMPRODUCT配合INDEX函数B.AVERAGE函数直接计算C.TREND函数外推计算D.GROWTH函数指数计算解析：正确答案为A。SUMPRODUCT配合INDEX函数可以灵活定义动态窗口范围，实现真正的滚动计算而不依赖静态数组。AVERAGE函数需要手动调整参数，TREND和GROWTH用于趋势预测而非移动平均。该知识点源自第8章“动态数据分析”中关于窗口函数的高级实现技巧。8.使用Excel的“PowerPivot”构建数据模型时，以下哪种操作最适合实现多表关联的延迟计算？（）A.直接在数据透视表中创建计算字段B.在关系图中设置“星型模式”C.创建计算列并标记为“仅标识”D.使用DAX语言定义度量值解析：正确答案为D。DAX（DataAnalysisExpressions）是PowerPivot的核心语言，其度量值（Measure）可以实现多表关联的延迟计算，仅在数据透视表使用时才计算。选项A计算字段是即时计算，选项B星型模式是架构设计，选项C的“仅标识”列是静态值。该知识点对应第10章“PowerPivot高级应用”中关于计算逻辑的讨论。9.在Excel中处理时间序列数据时，以下哪种方法最适合消除季节性波动？（）A.对原始数据进行对数转换B.使用移动平均法平滑数据C.计算季节性指数并剔除D.对数据进行差分处理解析：正确答案为C。计算季节性指数（如按月份或季度分组计算均值）并从原始数据中剔除是消除季节性波动的标准方法。对数转换仅改变尺度，移动平均可平滑但无法消除周期性，差分处理主要用于消除趋势。该知识点源自第11章“时间序列高级分析”中关于季节性调整的专门技术。10.使用Excel的“Solver”进行预测模型优化时，以下哪种约束条件最适合限制模型复杂度？（）A.限制决策变量之和小于某个值B.限制决策变量的最大值或最小值C.限制模型中非零变量的数量D.限制目标函数的梯度变化率解析：正确答案为C。限制非零变量的数量（稀疏性约束）是控制模型复杂度的有效手段，符合特征选择思想。选项A和D是数值约束，选项B仅限制范围但无法控制变量数量。该知识点对应第12章“优化算法在数据挖掘中的应用”中关于模型稀疏性控制的讨论。二、判断题（本大题共10小题，每小题2分，共20分）1.在Excel中，使用“数据透视表”的“值字段设置”可以创建自定义计算公式，但该公式无法引用其他值字段。（×）解析：错误。值字段设置中的“自定义名称”选项允许输入DAX公式，可以引用其他值字段或度量值，例如创建复合指标。该知识点源自第3章“数据透视表高级计算”中关于DAX公式的应用。2.使用PowerQuery的“分组”功能时，如果勾选“将重复值合并到单个单元格”，则无法保留原始数据行。（×）解析：错误。该选项仅合并分组后的值到单个单元格，原始数据行仍然保留在查询步骤中，只是分组列呈现合并效果。该知识点对应第4章“PowerQuery数据转换”中关于分组操作的细节。3.在Excel中构建回归模型时，如果R平方值接近1，则说明模型完全拟合所有数据点。（×）解析：错误。R平方接近1仅表示模型解释了大部分变异，但可能存在过拟合问题，且不能保证所有数据点都通过模型。该知识点源自第7章“回归分析评估”中关于拟合优度的正确解读。4.使用SVM进行分类时，核函数的选择会影响模型的泛化能力，但不会影响训练误差。（√）解析：正确。核函数将数据映射到高维空间，不同的核函数（如线性、多项式、RBF）会导致不同的决策边界，从而影响泛化能力，但训练误差主要受样本量和模型复杂度影响。该知识点对应第9章“SVM参数调优”中关于核函数作用的讨论。5.在关联规则挖掘中，支持度高的规则必然具有高置信度。（×）解析：错误。支持度衡量规则出现频率，置信度衡量规则前件发生时后件出现的概率，两者无必然联系。例如，A→B可能支持度很高但置信度很低。该知识点源自第5章“关联规则评估”中关于指标关系的区分。6.使用PowerPivot创建数据模型时，如果表之间不存在关系，则无法在数据透视表中分析跨表数据。（×）解析：错误。PowerPivot允许手动创建关系，即使原始数据表无关联字段也可以通过外键建立连接，实现跨表分析。该知识点对应第10章“关系建模”中关于手动创建关系的技巧。7.在时间序列预测中，差分法可以同时消除趋势和季节性波动。（×）解析：错误。差分法主要用于消除趋势，季节性波动需要专门的季节性分解方法（如STL分解）。该知识点源自第11章“时间序列分解”中关于不同方法的适用场景。8.使用Solver进行优化时，如果选择“单纯形线性求解”，则必须所有约束条件都是线性关系。（√）解析：正确。单纯形法仅适用于线性规划问题，约束条件必须满足线性关系。该知识点对应第12章“优化算法选择”中关于求解器类型的限制。9.在Excel中，动态数组函数（如FILTER）会返回数组结果，但不会改变原始数据表。（√）解析：正确。动态数组函数在单元格中显示结果，但不会修改工作表数据，符合Excel的“不可变性”原则。该知识点源自第13章“动态数组高级应用”中关于函数行为的说明。10.使用PowerQuery处理大数据集时，如果启用“内存优化”模式，则所有转换操作都会在内存中执行。（√）解析：正确。内存优化模式将所有步骤加载到内存处理，显著提升大数据集转换效率，但会消耗更多内存。该知识点对应第4章“PowerQuery性能优化”中关于执行模式的讨论。三、填空题（本大题共10小题，每小题2分，共20分）1.在Excel中，使用PowerQuery处理缺失值时，可以使用______函数根据前后值自动填充，也可以使用______函数创建包含仅非空值的子集。参考答案：DAX、FILTER解析：DAX函数如SWITCH或自定义逻辑可以填充缺失值，FILTER函数可以筛选出非空值。该知识点对应第4章“数据清洗高级技巧”中关于缺失值处理的多种方法。2.使用PowerPivot构建数据模型时，如果需要创建计算列，应在“建模”选项卡中勾选______，并使用DAX公式定义。参考答案：标识列解析：标识列是PowerPivot中用于创建计算列的特殊列，其值自动按行递增，适合作为主键。该知识点对应第10章“PowerPivot高级应用”中关于计算列的创建方法。3.在Excel中构建回归模型时，如果残差图显示______，则可能存在异方差问题。参考答案：散点图呈漏斗形解析：漏斗形残差图是异方差性的典型特征，表明误差方差随预测值变化。该知识点源自第7章“回归分析评估”中关于残差诊断的专门内容。4.使用SVM进行分类时，参数______控制超平面与样本点的最小距离，过小会导致过拟合。参考答案：C解析：C参数平衡了误分类点和超平面间隔，C值越小间隔越大，泛化能力越强。该知识点对应第9章“SVM参数调优”中关于正则化强度的讨论。5.在关联规则挖掘中，如果规则A→B的Lift值为______，则表示A和B之间存在负向关联。参考答案：小于1解析：Lift<1表示规则的实际支持度低于偶然支持度，即A和B同时出现的概率低于随机预期。该知识点源自第5章“关联规则评估”中关于提升度的解读。6.使用PowerQuery处理时间序列数据时，如果需要按周分组，应在“分组依据”中选择______并设置周期为7。参考答案：日期列解析：PowerQuery的分组功能需要基于日期列，并设置周期参数实现按周聚合。该知识点对应第11章“时间序列高级分析”中关于周期性分组的操作。7.在Excel中实现动态预测滚动窗口时，如果使用动态数组函数，应优先考虑______函数，因为它支持跨表引用。参考答案：FILTER解析：FILTER函数是动态数组的核心，支持复杂条件跨表筛选，适合构建动态窗口。该知识点源自第8章“动态数据分析”中关于动态数组的应用场景。8.使用Solver进行优化时，如果目标函数包含非线性项，应选择______求解方法，并确保约束条件为线性。参考答案：非线性规划解析：非线性规划求解器适用于包含非线性目标或约束的问题，但前提是约束仍需满足线性关系。该知识点对应第12章“优化算法选择”中关于求解器类型的讨论。9.在关联规则挖掘中，如果需要发现频繁项集，应使用PowerPivot的______功能，并设置最小支持度阈值。参考答案：聚合列解析：PowerPivot的聚合列功能可以统计项集出现频率，配合支持度筛选实现频繁项集挖掘。该知识点对应第5章“关联规则挖掘”中关于PowerPivot的应用。10.使用PowerQuery处理大数据集时，如果遇到内存不足问题，可以尝试______，但这会导致部分转换步骤无法并行执行。参考答案：禁用内存优化模式解析：内存优化模式虽然高效但消耗内存，切换到多核模式会降低速度但减少内存占用。该知识点对应第4章“PowerQuery性能优化”中关于执行模式的权衡。四、简答题（本大题共8小题，每小题2分，共16分）1.在Excel中，使用PowerQuery进行数据清洗时，如何实现基于条件的数据行过滤？请说明至少两种方法及其适用场景。解答：方法一：使用“筛选器”功能，在查询步骤中勾选“添加筛选器”，选择列和条件（如数值范围、文本匹配），适用于交互式探索场景。方法二：使用DAX公式创建“自定义列”，返回布尔值（TRUE/FALSE），然后在“筛选”步骤中仅保留TRUE值，适用于复杂逻辑条件。适用场景：筛选器适合快速条件设置，自定义列适合需要复用或传递条件的复杂场景。该知识点对应第4章“PowerQuery数据转换”中关于数据筛选的多种方法。2.使用Excel的“分析工具库”进行回归分析时，如何判断模型是否存在多重共线性问题？解答：方法一：计算方差膨胀因子（VIF），若VIF>5则存在共线性；方法二：观察回归系数符号与预期相反；方法三：删除某个自变量后模型解释力显著下降。判断依据：共线性导致系数不稳定但R平方可能仍高。该知识点对应第7章“回归分析高级应用”中关于共线性诊断的讨论。3.在Excel中构建预测模型时，如何平衡模型的复杂度与泛化能力？请说明至少两种方法。解答：方法一：正则化技术，如LASSO（L1惩罚）或Ridge（L2惩罚）限制系数大小；方法二：交叉验证，通过K折验证选择泛化能力强的模型参数。平衡原则：复杂模型可能过拟合，需通过正则化或验证方法控制。该知识点源自第12章“优化算法在数据挖掘中的应用”中关于模型选择的理论。4.使用PowerPivot创建数据模型时，如何优化查询性能？请说明至少两种方法。解答：方法一：创建计算列而非计算字段，因为计算列在查询时才计算；方法二：使用“星型模式”设计关系，将维度表连接到事实表的主键。性能提升原理：减少计算量并优化查询路径。该知识点对应第10章“PowerPivot高级应用”中关于性能优化的技巧。5.在关联规则挖掘中，如何解释Lift值大于1的含义？请结合实际案例说明。解答：Lift>1表示规则A→B的实际支持度高于偶然支持度，如“购买啤酒的人购买尿布的概率高于随机预期”。例如，超市发现啤酒和尿布经常被同时购买，Lift>1说明这两个商品存在关联，可进行捆绑促销。该知识点源自第5章“关联规则评估”中关于提升度的实际应用。6.使用Excel的“数据透视表”进行多维分析时，如何实现切片器的动态筛选？请说明操作步骤。解答：步骤：（1）插入切片器，选择要筛选的字段；（2）右键切片器选择“切片器设置”，勾选“切片器名称”并设置“筛选器类型”为“字段、项或集”；（3）在“字段、项或集”中输入动态名称（如“=Table1[Region]”）。动态效果：可创建包含多个字段名称的切片器，实现跨表筛选。该知识点对应第3章“数据透视表高级计算”中关于切片器的高级用法。7.在时间序列预测中，如何处理数据中的异常值？请说明至少两种方法。解答：方法一：移动平均平滑，用周围值替代异常值；方法二：构建分段模型，对异常值前后使用不同模型。处理原则：避免异常值扭曲整体趋势但保留其信息。该知识点源自第11章“时间序列高级分析”中关于异常值处理的专门技术。8.使用Solver进行优化时，如何设置整数约束条件？请说明操作步骤。解答：步骤：（1）打开Solver参数，选择“选择变量”，选中要限制的决策变量；（2）点击“约束”按钮，点击“添加”；（3）在“单元格引用”输入变量单元格，在“约束”输入“整数”；（4）选择“求解”并勾选“使无约束变量为整数”。整数约束应用：如生产计划问题中，变量必须为整数件数。该知识点对应第12章“优化算法选择”中关于整数规划的设置方法。五、应用题（本大题共8小题，每小题4分，共32分）1.某电商公司销售数据如下表（单位：万元），请使用Excel构建线性回归模型预测销量，并解释模型拟合优度。|月份|广告投入|销量||------|---------|------||1|5|20||2|7|25||3|6|22||4|8|30||5|10|35||6|9|32|解答：步骤：（1）插入“数据”选项卡下的“数据分析”，选择“回归”；（2）输入Y值区域（销量）和X值区域（广告投入）；（3）勾选“标志”，选择“输出到新工作表”。模型结果：R平方=0.923，说明模型解释了92.3%的销量变异。模型系数：广告投入系数=3.15，截距=15.2。预测公式：销量=15.2+3.15×广告投入。拟合优度解释：R平方接近1表示模型拟合良好，但需注意样本量较小可能影响泛化能力。该知识点对应第7章“回归分析高级应用”中关于模型构建与评估的实践。2.某超市商品销售数据如下表，请使用Excel发现关联规则，并解释Lift值大于5的含义。|客户ID|商品A|商品B|商品C||--------|-------|-------|-------||1|是|否|是||2|是|是|否||3|否|是|是||4|是|否|否||5|否|是|是|解答：步骤：（1）将数据转换为“数据透视表”，行标签为商品，值字段为计数；（2）使用PowerQuery计算支持度和置信度；（3）筛选Lift>5的规则。关联规则：商品A→商品B的Lift=8.33>5，表示购买A的客户购买B的概率远高于随机预期。解释：Lift>5说明A和B存在强正向关联，可进行捆绑促销。例如，超市发现购买咖啡（A）的客户经常购买牛奶（B），可设置联合促销活动。该知识点对应第5章“关联规则挖掘”中关于实际案例的解读。3.某网站日访问数据如下表（单位：人次），请使用Excel构建移动平均预测模型，并预测下个月第1周的访问量。|日期|访问量||------------|--------||2023-01-01|1200||2023-01-02|1300||2023-01-03|1250||...|...||2023-02-27|1500||2023-02-28|1600|解答：步骤：（1）插入“数据”选项卡下的“数据分析”，选择“移动平均”；（2）输入Y值区域（访问量），设置周期为3（3日移动平均）；（3）勾选“输出到新工作表”。预测：根据最后3天（2月27-29日）平均访问量（1550人次），预测下月第1周访问量约为1550人次。移动平均模型适用于平滑短期波动，但无法捕捉长期趋势。该知识点对应第11章“时间序列高级分析”中关于移动平均的应用。4.某公司成本数据如下表（单位：万元），请使用Excel构建线性规划模型优化成本，假设决策变量为X1（人力投入）和X2（设备投入），约束条件为：X1+X2≤100，X1≥20，X2≥10，目标函数为最小化总成本（5X1+7X2）。|成本项|单位成本||--------|----------||人力|5||设备|7|解答：步骤：（1）打开Solver参数，设置目标单元格（总成本）；（2）选择“最小值”，变量为X1和X2；（3）添加约束：单元格引用（总成本）≤目标值，变量单元格（X1）≥20，变量单元格（X2）≥10，变量单元格（X1+X2）≤100；（4）选择“单纯形线性求解”，点击“求解”。最优解：X1=80，X2=20，总成本=580万元。该知识点对应第12章“优化算法在数据挖掘中的应用”中关于线性规划的实践。5.某银行客户数据如下表，请使用Excel构建决策树模型进行客户流失预测，并解释模型如何判断客户流失风险。|客户ID|年龄|收入|信用评分|流失||--------|------|------|----------|------||1|35|高|良好|否||2|45|中|一般|是||3|55|低|差|是||...|...|...|...|...|解答：步骤：（1）插入“分析工具库”中的“决策树”；（2）选择目标变量（流失），自变量（年龄、收入、信用评分）；（3）点击“训练”按钮。模型解释：-年龄节点：35岁以下客户流失率低；-收入节点：高收入客户流失率低；-信用评分节点：良好信用客户流失率低。风险判断：客户同时满足高年龄、低收入、差信用评分时，流失风险最高。该知识点对应第9章“分类算法比较”中关于决策树的应用。6.某零售商商品销售数据如下表，请使用Excel构建关联规则模型，并解释如何利用结果进行商品推荐。|客户ID|商品A|商品B|商品C||--------|-------|-------|-------||1|是|否|是||2|是|是|否||3|否|是|是||...|...|...|...|解答：步骤：（1）使用PowerQuery计算支持度和置信度；（2）筛选Lift>1的规则，如商品A→商品B的Lift=2.5。推荐策略：-向购买商品A的客户推荐商品B；-向购买商品C的客户推荐商品A。原理：Lift>1表示商品之间存在正向关联，推荐可提高交叉销售率。例如，超市发现购买咖啡（A）的客户经常购买牛奶（B），可设置联合促销或货架陈列。该知识点对应第5章“关联规则挖掘”中关于实际应用。7.某公司网站流量数据如下表（单位：人次），请使用Excel构建ARIMA模型预测下个月第1周的流量，并解释模型参数选择依据。|日期|流量||------------|--------||2023-01-01|5000||2023-01-02|5200||...|...||2023-02-27|6000||2023-02-28|6200|解答：步骤：（1）插入“分析工具库”中的“ARIMA”；（2）输入Y值区域（流量），设置“周期”为7（周）；（3）选择“自动确定参数”，点击“确定”。模型参数：p=1,d=1,q=1。选择依据：-p=1：一阶自回归；-d=1：一阶差分消除趋势；-q=1：一阶移动平均消除季节性波动。预测：根据模型输出，下月第1周流量约为6300人次。ARIMA适用于捕捉时间序列的周期性波动。该知识点对应第11章“时间序列高级分析”中关于ARIMA的应用。8.某制造企业生产数据如下表（单位：件），请使用Excel构建SVM模型进行质量分类，并解释如何优化分类准确率。|产品ID|尺寸偏差|重量偏差|质量等级||--------|----------|----------|----------||1|0.2|0.1|优||2|0.5|0.3|劣||3|0.3|0.2|优||...|...|...|...|解答：步骤：（1）使用PowerQuery将质量等级编码为数值（优=1，劣=0）；（2）插入“分析工具库”中的“支持向量机”；（3）选择Y值区域（质量等级），X值区域（尺寸偏差、重量偏差）；（4）点击“训练”按钮。优化策略：-调整核函数参数（如RBF核的gamma值）；-使用交叉验证选择最佳参数；-对特征进行标准化处理。分类准确率优化原理：SVM通过调整超平面位置和宽度提高分类性能。该知识点对应第9章“分类算法比较”中关于SVM参数调优的讨论。【标准答案及解析】一、单项选择题1.B2.A3.D4.B5.C6.C7.A8.D9.C10.C二、判断题1.×2.×3.×4.√5.×6.×7.×8.√9.√10.√三、填空题1.DAX、FILTER2.标识列3.散点图呈漏斗形4.C5.小于16.日期列7.FILTER8.非线性规划9.聚合列10.禁用内存优化模式四、简答题1.方法一：使用“筛选器”功能，在查询步骤中勾选“添加筛选器”，选择列和条件（如数值范围、文本匹配），适用于交互式探索场景。方法二：使用DAX公式创建“自定义列”，返回布尔值（TRUE/FALSE），然后在“筛选”步骤中仅保留TRUE值，适用于复杂逻辑条件。适用场景：筛选器适合快速条件设置，自定义列适合需要复用或传递条件的复杂场景。2.方法一：计算方差膨胀因子（VIF），若VIF>5则存在共线性；方法二：观察回归系数符号与预期相反；方法三：删除某个自变量后模型解释力显著下降。判断依据：共线性导致系数不稳定但R平方可能仍高。3.方法一：正则化技术，如LASSO（L1惩罚）或Ridge（L2惩罚）限制系数大小；方法二：交叉验证，通过K折验证选择泛化能力强的模型参数。平衡原则：复杂模型可能过拟合，需通过正则化或验证方法控制。4.方法一：创建计算列而非计算字段，因为计算列在查询时才计算；方法二：使用“星型模式”设计关系，将维度表连接到事实表的主键。性能提升原理：减少计算量并优化查询路径。5.解释：Lift>1表示规则A→B的实际支持度高于偶然支持度，如“购买啤酒的人购买尿布的概率高于随机预期”。例如，超市发现啤酒（A）和尿布（B）经常被同时购买，Lift>1说明这两个商品存在关联，可进行捆绑促销。6.步骤：插入“数据”选项卡下的“数据分析”，选择“数据透视表”，选择数据源，勾选“使用筛选器”，在“数据透视表字段”中设置筛选条件。动态效果：可创建包含多个字段名称的筛选器，实现跨表筛选。7.方法一：移动平均平滑，用周围值替代异常值；方法二：构建分段模型，对异常值前后使用不同模型。处理原则：避免异常值扭曲整体趋势但保留其信息。8.步骤：打开Solver参数，选择“选择变量”，选中要限制的决策变量；点击“约束”按钮，点击“添加”；在“单元格引用”输入变量单元格，在“约束”输入“整数”；选择“求解”并勾选“使无约束变量为整数”。整