数据分析问题分析与解决2026年试题及答案

数据分析问题分析与解决2026年试题及答案一、单项选择题（本大题共20小题，每小题2分，共40分。在每小题列出的四个备选项中只有一个是符合题目要求的，请将其代码填在括号内）1.在数据分析的流程中，通常被定义为第一步且最为关键的环节是（）。A.数据探索B.数据获取C.业务理解D.数据建模2.使用Python的Pandas库读取CSV文件时，默认生成的数据结构类型是（）。A.ListB.SeriesC.DataFrameD.ndarray3.某班级有50名学生，其中45人数学及格，40人英语及格，38人两门都及格。则两门课程中至少有一门及格的学生人数是（）。A.47B.85C.50D.124.在描述性统计分析中，用于衡量数据离散程度，且对极端值敏感的指标是（）。A.中位数B.标准差C.四分位距D.众数5.下列关于数据缺失值处理的描述中，不正确的是（）。A.删除缺失值是处理缺失数据最直接的方法，但会造成信息损失B.均值填充适用于数值型数据，且数据分布大致对称时效果较好C.众数填充通常用于分类变量D.无论缺失比例多大，都可以直接使用前向填充法而不影响模型准确性6.在SQL语句中，用于从“Orders”表中筛选出“Amount”字段值大于1000的所有记录的命令是（）。A.SELECT*FROMOrdersWHEREAmount>1000B.SELECT*FROMOrdersHAVINGAmount>1000C.GET*FROMOrdersWHEREAmount>1000D.SELECTAmount>1000FROMOrders7.假设检验中，P值小于显著性水平α（如0.05）时，我们应该（）。A.接受原假设B.拒绝原假设C.无法判断原假设是否成立D.重新进行抽样8.在数据可视化中，主要用于展示两个数值变量之间关系的图表是（）。A.饼图B.柱状图C.散点图D.箱线图9.某电商网站在“双十一”当天的访问量（PV）是1000万，独立访客数（UV）是200万，则人均访问次数（平均每个访客浏览的页面数）是（）。A.0.2B.5C.20D.0.0210.在Python中，使用Matplotlib库绘制折线图时，用于设置图表标题的函数是（）。A.plt.xlabel()B.plt.ylabel()C.plt.title()D.plt.legend()11.下列关于相关系数r的描述，错误的是（）。A.r的取值范围在-1到1之间B.r=C.r的绝对值越接近1，线性关系越强D.r的正负表示相关性的方向12.在机器学习的数据预处理中，将数据缩放到[0,1]区间的方法称为（）。A.标准化B.归一化C.正则化D.独热编码13.某数据集包含特征：年龄（数值）、性别（分类）、收入（数值）。为了将性别特征输入到数学模型中，通常需要进行（）。A.离散化B.特征缩放C.独热编码D.主成分分析14.某公司1月、2月、3月的销售额分别为100万、120万、110万。则2月的环比增长率为（）。A.10%B.20%C.-8.3%D.16.7%15.在Pandas中，用于按某一列对数据进行分组聚合操作的方法是（）。A.sort_values()B.merge()C.groupby()D.pivot_table()16.下列哪种图表最适合用于展示各部分占总体的百分比关系？（）A.条形图B.饼图C.直方图D.雷达图17.在A/B测试中，为了判断新版本页面是否优于旧版本，通常设定的零假设（）是（）。A.新版本转化率>旧版本转化率B.新版本转化率<旧版本转化率C.新版本转化率=旧版本转化率D.新版本转化率≠q18.下列关于过拟合的描述，正确的是（）。A.模型在训练集上表现很好，在测试集上表现很差B.模型在训练集和测试集上表现都很差C.模型在训练集上表现很差，在测试集上表现很好D.模型无法收敛19.在Excel中，用于计算一组数值中第50个百分点（即中位数）的函数是（）。A.AVERAGE()B.MEDIAN()C.MODE()D.PERCENTILE()20.某数据集的偏度系数为正数，说明该数据的分布形态是（）。A.对称分布B.左偏分布（负偏）C.右偏分布（正偏）D.均匀分布二、多项选择题（本大题共10小题，每小题3分，共30分。在每小题列出的五个备选项中有至少两个是符合题目要求的，请将其代码填在括号内。多选、少选、错选均不得分）21.数据清洗的主要步骤包括（）。A.缺失值处理B.重复值处理C.异常值检测与处理D.数据一致性检查E.特征工程22.下列属于典型的时间序列数据特征的有（）。A.趋势性B.季节性C.周期性D.随机性E.独立性23.在使用Python进行数据分析时，常用的第三方库包括（）。A.NumPyB.PandasC.MatplotlibD.Scikit-learnE.Django24.评估分类模型性能的常用指标有（）。A.准确率B.精确率C.召回率D.F1-ScoreE.均方误差25.在数据透视表中，可以进行的操作包括（）。A.行列转置B.数据筛选C.计算求和、平均值等汇总统计量D.数据可视化E.数据清洗26.下列关于箱线图的说法，正确的有（）。A.箱线图可以展示数据的中位数B.箱线图可以展示数据的四分位数C.箱线图中的“须”通常延伸到最大值和最小值D.箱线图可以用于检测异常值E.箱线图只能用于展示正态分布数据27.导致数据分析结果产生偏差的原因可能包括（）。A.样本量过小B.样本选择偏差C.数据测量误差D.变量定义不清E.忽略了混淆变量28.在进行用户画像分析时，常用的维度包括（）。A.自然属性（性别、年龄）B.社会属性（职业、收入）C.行为属性（购买频率、浏览时长）D.心理属性（兴趣爱好、价值观）E.服务器IP地址29.下列关于聚类分析的说法，正确的有（）。A.聚类是一种无监督学习算法B.K-Means算法需要预先指定聚类数量KC.层次聚类可以生成树状图D.轮廓系数可以用于评估聚类效果E.聚类结果一定是绝对正确的商业分类30.处理非结构化数据（如文本、图片）时，常用的技术手段包括（）。A.分词B.词向量模型C.卷积神经网络（CNN）D.关联规则挖掘E.线性回归三、填空题（本大题共10小题，每小题2分，共20分。请将答案写在横线上）31.在统计学中，衡量估计量与真实值之间差异的指标通常称为________，常用的有MSE和RMSE。32.在Python的Pandas库中，________函数用于将宽格式数据转换为长格式数据。33.在数据库设计中，________键用于唯一标识表中的每一行记录。34.某产品的销售额增长了20%，价格下降了10%，则销售量大约增长了________%。（保留一位小数，计算公式基于近似关系或精确计算：1.2=35.在数据可视化中，使用________图可以直观地展示变量之间的相关系数矩阵。36.在假设检验中，当原假设为真却被拒绝时，所犯的错误称为________错误（第一类错误）。37.NumPy数组中，用于获取数组维度的属性是________。38.在关联规则挖掘中，支持度和________是衡量规则强弱的两个主要指标。39.在回归分析中，（决定系数）的取值范围是________到1。40.某游戏公司计算“次日留存率”，公式为：________（登录用户数/当日新增用户数）×100%。四、简答题（本大题共5小题，每小题6分，共30分）41.简述描述性统计分析与推断性统计分析的主要区别。42.在进行数据分析时，为什么要进行特征缩放？常用的特征缩放方法有哪些？43.简述A/B测试的基本流程及其在数据分析中的作用。44.什么是数据透视表？请列举三个它在数据分析中的应用场景。45.解释什么是“辛普森悖论”，并给出一个简单的业务场景说明。五、应用题（本大题共3小题，共50分。要求写出详细的计算过程、代码逻辑或分析结论）46.（15分）某电商平台有一份用户订单数据（Order_Data），包含字段：`user_id`（用户ID），`order_date`（订单日期），`amount`（订单金额）。现有以下需求：(1)请使用Pandas编写代码（或详细描述逻辑），计算每个用户的总消费金额（Total_Amount）和消费次数（Order_Count）。(2)筛选出总消费金额大于5000元的“高价值用户”。(3)在高价值用户中，计算其平均订单金额（AOV）。请给出详细的Python代码实现或伪代码逻辑，并解释关键步骤。47.（15分）某连锁超市想要分析促销活动对销售额的影响。收集了某商品在促销前7天和促销期间7天的每日销售数据如下：促销前销量：[20,22,19,21,23,20,21]促销期间销量：[35,38,36,40,37,39,38](1)请计算两组数据的平均销量和标准差。(2)假设数据服从正态分布，请使用Python（`scipy.stats`）或手动计算t检验统计量（不要求查表求P值，只需列出公式和计算过程），判断促销是否显著提升了销量。(3)除了销量提升，还需要关注哪些指标来全面评估促销活动的效果？（列举至少3个）48.（20分）某在线教育平台希望降低用户的流失率。现有历史用户数据集，包含以下特征：用户属性：`age`（年龄），`gender`（性别），`is_vip`（是否会员）行为数据：`login_days_last_30`（近30天登录天数），`course_complete_rate`（课程完成率），`avg_watch_duration`（平均观看时长）标签：`is_churned`（是否流失，1为流失，0为未流失）(1)在构建预测模型前，需要对数据进行探索性数据分析（EDA）。请说明针对分类变量（如`gender`）和数值变量（如`age`），应分别采用什么图表进行可视化分析？目的是什么？(2)如果使用逻辑回归模型预测流失，发现模型在训练集上准确率为85%，但在测试集上准确率仅为65%。请分析可能的原因，并提出至少两种改进措施。(3)假设模型训练完成，业务部门希望了解“哪些因素最容易导致用户流失”。请说明如何利用模型输出的系数或特征重要性来回答这个问题，并给出一个具体的解释示例（例如：`course_complete_rate`的系数为-2.5，代表什么含义？）。参考答案及解析一、单项选择题1.C[解析]业务理解是数据分析的起点，决定了后续分析的方向和目标。2.C[解析]Pandas的read_csv默认返回DataFrame对象。3.A[解析]利用容斥原理：45+4.B[解析]标准差受极端值影响较大；四分位距（IQR）是稳健的统计量。5.D[解析]缺失值过多时，直接填充可能导致严重偏差，需谨慎选择方法或直接删除。6.A[解析]SQL筛选条件使用WHERE子句。7.B[解析]P值小于显著性水平，拒绝原假设。8.C[解析]散点图用于展示两个连续变量的关系。9.B[解析]人均访问次数=PV/UV=1000/200=5。10.C[解析]plt.title()用于设置标题。11.B[解析]r=0仅表示没有线性相关，不代表完全独立（可能有非线性关系）。12.B[解析]Min-MaxScaling将数据归一化到[0,1]。13.C[解析]性别是名义分类变量，需进行独热编码。14.B[解析]环比=(本期-上期)/上期=(120-100)/100=20%。15.C[解析]groupby用于分组。16.B[解析]饼图展示部分与整体的关系。17.C[解析]零假设通常设定为无差异或无效。18.A[解析]过拟合指模型在训练集表现好，测试集泛化能力差。19.B[解析]MEDIAN计算中位数。20.C[解析]偏度大于0，右偏（正偏），长尾在右侧。二、多项选择题21.ABCD[解析]特征工程属于建模前的处理，但不属于基础清洗步骤，通常清洗在前，特征工程在后。22.ABCD[解析]时间序列通常具有趋势、季节、周期和随机扰动。23.ABCD[解析]Django是Web框架，不是数据分析核心库。24.ABCD[解析]MSE是回归指标。25.ABC[解析]数据透视表主要用于汇总和重组，清洗在之前进行。26.ABD[解析]箱线图的须通常延伸到1.5倍IQR或最大最小值，不一定是极值；不仅用于正态分布。27.ABCDE[解析]全部可能导致偏差。28.ABCD[解析]IP地址通常不作为用户画像的维度，属于技术参数。29.ABCD[解析]聚类结果需要业务验证，非绝对正确。30.ABC[解析]关联规则多用于结构化交易数据，线性回归是监督学习算法。三、填空题31.误差32.melt33.主34.33.3[解析]1+x=35.热力36.弃真37.shape38.置信度39.040.次日登录用户数四、简答题41.描述性统计旨在对收集到的数据进行整理、汇总和描述，通过图表和统计量（如均值、方差）展示数据的基本特征，关注的是“数据本身是什么样的”。推断性统计则是根据样本数据的特征来推断总体的特征，通过假设检验、置信区间等方法，利用概率论判断结论的可靠性，关注的是“数据告诉我们总体可能是什么样的”。42.原因：不同特征的量纲（单位）和数量级差异较大，会导致基于距离的算法（如KNN、SVM、K-Means）受数值大的特征主导，且梯度下降算法收敛变慢。方法：归一化（Min-MaxScaling，将数据映射到[0,1]）；标准化（Z-ScoreStandardization，转化为均值为0，方差为1的分布）。43.流程：1.明确目标（如提升点击率）；2.设计方案（确定A/B版本、流量分配、指标）；3.实施测试（收集数据）；4.假设检验（分析P值，判断显著性）；5.得出结论（全量发布或回滚）。作用：科学地验证产品改动或策略调整是否有效，消除经验主义的误判，用数据驱动决策。44.定义：数据透视表是一种交互式的表，可以进行某些计算（如求和与计数），允许对数据进行分组、汇总和筛选。应用场景：1.销售报表分析（按地区和产品类别的销售额汇总）；2.员工绩效统计（按部门和岗位计算平均薪资）；3.网站流量分析（按来源和时间段统计UV/PV）。45.定义：当分组比较并汇总数据时，原本在分组中占优势的趋势，在合并总数据后却消失或反转。示例：某APP两个版本，V1版本在新用户中留存率高，在老用户中留存率也高；但V1版本的总用户留存率却低于V2。原因可能是V1版本中老用户占比极低（老用户整体留存率通常低于新用户），导致总数据被结构差异拖累。五、应用题46.解答：(1)代码逻辑：```pythonimportpandasaspd#假设df是读取的DataFrame#计算每个用户的总消费和消费次数user_stats=df.groupby('user_id')['amount'].agg(['sum','count'])user_stats.columns=['Total_Amount','Order_Count']```(2)筛选高价值用户：```pythonhigh_value_users=user_stats[user_stats['Total_Amount']>5000]```(3)计算AOV：```python#方法1：直接计算high_value_users['AOV']=high_value_users['Total_Amount']/high_value_users['Order_Count']#方法2：对原始数据筛选后计算#high_value_aov=df[df['user_id'].isin(high_value_users.index)].groupby('user_id')['