2026年数据分析岗位专项能力测试真题及答案

2026年数据分析岗位专项能力测试真题及答案一、单项选择题（本大题共20小题，每小题1.5分，共30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.在数据分析的探索性阶段，若数据集中存在一个异常值，以下哪种统计量受其影响最大？（）A.中位数B.众数C.均值D.四分位数2.在SQL查询中，用于筛选分组后的聚合结果的子句是？（）A.WHEREB.ORDERBYC.GROUPBYD.HAVING3.使用Python的Pandas库，若要将一个DataFrame对象df按照'column_a'列的值进行降序排列，正确的代码是？（）A.df.sort_values('column_a',ascending=True)B.df.sort_index(by='column_a',descending=True)C.df.sort_values('column_a',ascending=False)D.df.order(by='column_a',ascending=False)4.在假设检验中，当原假设H0实际上为真，但检验结果拒绝了H0，这类错误被称为？（）A.第一类错误（TypeIError）B.第二类错误（TypeIIError）C.统计偏差D.方差膨胀5.下列关于数据归一化（Normalization）和标准化（Standardization）的描述，错误的是？（）A.归一化通常将数据映射到[0,1]区间B.标准化后的数据均值为0，标准差为1C.归一化对异常值较为敏感D.标准化不改变数据的分布形状，而归一化会改变数据的分布形状6.在评估分类模型时，如果正负样本极度不平衡，以下哪个指标最能客观反映模型性能？（）A.准确率B.精确率C.F1-ScoreD.AUC-ROC7.某电商平台的日活跃用户数（DAU）呈现明显的周期性波动，为了预测未来一周的DAU，下列哪种时间序列模型最不适用？（）A.ARIMAB.SARIMAC.ProphetD.线性回归8.在关系型数据库设计中，第三范式（3NF）要求表必须满足第二范式，并且非主键列必须？（）A.依赖于主键B.传递依赖于主键C.不传递依赖于主键D.相互独立9.使用Python进行可视化时，若要绘制两个变量之间的散点图，并希望根据第三个分类变量对点的颜色进行区分，通常使用Seaborn库中的哪个函数？（）A.sns.barplotB.sns.scatterplotC.sns.lmplotD.sns.heatmap10.在进行A/B测试时，为了确保实验结果的有效性，通常需要关注“统计显著性”。在95%的置信水平下，P值小于多少时认为结果显著？（）A.0.01B.0.05C.0.10D.0.9511.下列关于K-Means聚类算法的描述，正确的是？（）A.K-Means对初始聚类中心的选择不敏感B.K-Means可以自动确定最佳的聚类数量KC.K-Means只能处理数值型数据D.K-Means算法保证一定能收敛到全局最优解12.在Python中，使用NumPy库创建一个3x3的单位矩阵，代码是？（）A.np.zeros((3,3))B.np.eye(3)C.np.ones((3,3))D.np.diag([1,1,1])13.数据仓库中的维度表通常包含？（）A.事实数据和度量B.描述性属性C.索引信息D.外键连接14.在决策树算法中，用于衡量节点纯度的指标不包括？（）A.信息增益B.基尼系数C.均方误差（MSE）D.熵15.现有一个包含100万行数据的CSV文件，内存较小无法一次性读取，在Pandas中应如何处理？（）A.直接使用pd.read_csv()B.使用chunksize参数分块读取C.将文件转换为Excel格式读取D.增加计算机内存16.在推荐系统中，协同过滤算法主要分为基于用户和基于物品的协同过滤。基于用户的协同过滤核心思想是？（）A.找出与目标用户兴趣相似的用户群，推荐他们喜欢的物品B.找出与目标物品相似的物品，推荐给喜欢该物品的用户C.利用内容特征进行推荐D.利用深度学习模型进行推荐17.下列哪种情况适合使用左连接？（）A.只需要两个表中都存在的匹配数据B.需要保留左表的所有数据，右表无匹配时显示NULLC.需要保留右表的所有数据，左表无匹配时显示NULLD.需要保留左右两表的所有数据18.在特征工程中，对于类别型变量且类别较多（如城市名称），通常使用哪种编码方式？（）A.LabelEncodingB.One-HotEncodingC.TargetEncodingD.BinaryEncoding19.Python中，若列表a包含重复元素，想要去重并保持原有顺序，高效的方法是？（）A.list(set(a))B.sorted(set(a))C.[xfori,xinenumerate(a)ifxnotina[:i]]D.dict.fromkeys(a).keys()20.在业务分析中，漏斗模型主要用于分析？（）A.用户留存情况B.用户在特定流程中的转化率C.用户的生命周期价值D.用户的活跃度二、多项选择题（本大题共10小题，每小题2分，共20分。在每小题列出的五个备选项中有两个或两个以上是符合题目要求的，请将其代码填在括号内。多选、少选、错选均不得分）1.下列属于数据清洗主要任务的有？（）A.缺失值处理B.重复值处理C.异常值检测与处理D.数据规范化E.特征选择2.在Python的数据分析栈中，常用的库包括？（）A.NumPyB.PandasC.MatplotlibD.Scikit-learnE.TensorFlow3.下列关于方差、标准差和变异系数的描述，正确的有？（）A.方差是数据离散程度的度量B.标准差是方差的平方根C.标准差的单位与原始数据的单位相同D.变异系数是标准差除以均值E.变异系数没有单位，可用于比较不同量纲数据的离散程度4.在SQL中，关于索引的作用，说法正确的有？（）A.索引可以加快数据的查询速度B.索引会降低数据的插入、删除和更新速度C.索引需要占用额外的物理空间D.在WHERE子句中经常使用的列适合建立索引E.建立索引越多越好5.逻辑回归（LogisticRegression）的特点包括？（）A.主要用于二分类问题B.输出值可以解释为概率C.模型系数的符号代表特征对结果正向或负向的影响D.假设特征之间严格线性无关E.不需要对特征进行缩放处理6.在进行用户画像分析时，常用的维度有？（）A.自然属性（性别、年龄、地域）B.社会属性（职业、收入、教育程度）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.设备属性（手机型号、操作系统）7.下列关于正则化（L1和L2）的描述，正确的有？（）A.正则化用于防止过拟合B.L1正则化倾向于产生稀疏解，可用于特征选择C.L2正则化倾向于让权重衰减得更小，分布更均匀D.L1正则化是权重的平方和E.L2正则化是权重的绝对值之和8.在Pandas中，合并两个DataFrame的方法有？（）A.mergeB.joinC.concatD.appendE.combine9.评估回归模型性能的常用指标有？（）A.MSE（均方误差）B.RMSE（均方根误差）C.MAE（平均绝对误差）D.R-Squared（决定系数）E.Accuracy（准确率）10.下列属于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.独立性三、填空题（本大题共10小题，每小题1.5分，共15分。请在横线上填写正确答案）1.在统计学中，若两个事件A和B不可能同时发生，即P(AB)=0，则称A和B为__________事件。2.在Python中，使用Pandas读取Excel文件，通常使用函数__________。3.在SQL中，__________函数用于计算某列的非空值的数量。4.在机器学习中，__________是指模型在训练集上表现很好，但在测试集上表现很差的现象。5.数据分析中的RFM模型，其中R代表Recency（最近一次消费时间），F代表Frequency（消费频率），M代表__________。6.NumPy数组中，用于获取数组维度的属性是__________。7.在A/B测试中，我们通常将用户随机分为实验组和__________。8.若一组数据为[2,4,4,4,5,5,7,9]，则该组数据的中位数是__________。9.在数据可视化中，用于展示数据随时间变化趋势的图表类型是__________。10.在主成分分析（PCA）中，我们通过__________变换将数据投影到新的坐标系。四、简答题（本大题共4小题，每小题10分，共40分）1.请简述描述性统计分析中的集中趋势和离散程度的主要统计量，并说明它们在实际业务分析中的意义。2.在数据挖掘过程中，特征工程是非常关键的一步。请列举至少四种特征构造的方法，并举例说明。3.简述SQL中的INNERJOIN、LEFTJOIN和FULLOUTERJOIN的区别。4.某在线教育平台的用户流失率较高，作为数据分析师，请设计一个分析框架来探究用户流失的主要原因。五、综合应用题（本大题共3小题，共45分。其中第1题15分，第2题15分，第3题15分）1.（SQL应用）假设有两张表：表名：users（用户表）字段：user_id(INT,用户ID),register_date(DATE,注册日期),city(VARCHAR,城市)表名：orders（订单表）字段：order_id(INT,订单ID),user_id(INT,用户ID),amount(DECIMAL(10,2),订单金额),order_date(DATE,下单日期)请编写SQL语句完成以下任务：(1)查询2025年每个城市的总注册用户数和总订单金额。(2)查询在2025年1月注册但在整个2025年都没有下过单的用户数。(3)查询每个用户的累计订单金额（即每个用户所有订单金额之和），并按累计金额降序排列，只显示累计金额排名前10的用户及其累计金额。2.（Python数据分析）给定一个CSV文件'sales_data.csv'，包含以下字段：'date'（日期，格式YYYY-MM-DD），'product'（产品类别），'revenue'（销售额）。请使用Python（Pandas）完成以下操作：(1)读取数据，并将'date'列转换为datetime类型。(2)筛选出2025年的数据，并计算每个季度的总销售额。(3)找出销售额最高的三个产品类别。(4)检测数据中是否存在缺失值，如果有，请用该产品类别的销售额均值进行填充（假设revenue列有缺失）。3.（案例分析）某电商公司为了提高转化率，对商品详情页的“立即购买”按钮的颜色进行了A/B测试。实验组（A组）：按钮颜色为红色，曝光量（UV）为10000，点击量为800。对照组（B组）：按钮颜色为蓝色，曝光量（UV）为10000，点击量为750。(1)请计算A组和B组的点击率（CTR）。(2)请构建假设检验（H0和H1），并说明在95%的置信水平下，如何判断A组是否显著优于B组。（需写出计算过程或使用的统计检验方法及公式思路）(3)假设检验结果显著，是否意味着全量上线红色按钮一定能带来业务增长？请结合辛普森悖论或业务场景说明还需要考虑哪些因素。参考答案与解析一、单项选择题1.C【解析】均值对异常值非常敏感，因为它是所有数值的总和除以数量，极大或极小的值会显著拉高或拉低均值。中位数、众数和四分位数都是位置度量，对异常值不敏感。2.D【解析】WHERE用于在分组前筛选行；HAVING用于在分组后筛选组；GROUPBY用于分组；ORDERBY用于排序。3.C【解析】Pandas中sort_values用于排序，ascending参数默认为True（升序），设为False即为降序。4.A【解析】第一类错误是“弃真”，即原假设为真却拒绝了它；第二类错误是“取伪”，即原假设为假却接受了它。5.D【解析】归一化和标准化都是线性变换，都不会改变数据的分布形状（如偏度、峰度），只是改变了尺度和位置。6.D【解析】在样本不平衡时，Accuracy可能具有误导性（如全预测为负类准确率也很高）。F1-Score综合了精确率和召回率，适合关注正类的情况。AUC-ROC衡量排序能力，不受阈值影响，通常最能客观反映模型在正负样本不平衡下的整体性能。7.D【解析】线性回归无法直接处理时间序列的自相关性和周期性特征，除非进行复杂的特征工程。ARIMA、SARIMA（季节性ARIMA）和Prophet都是专门处理时间序列的模型。8.C【解析】第三范式要求非主键列不传递依赖于主键，即非主键列只依赖于主键，而不依赖于其他非主键列。9.B【解析】sns.scatterplot专门用于绘制散点图，hue参数可用于根据分类变量区分颜色。10.B【解析】95%置信水平对应的显著性水平α为0.05，即P值小于0.05时拒绝原假设，认为结果显著。11.C【解析】K-Means对初始中心敏感（可能陷入局部最优）；K需要预先指定；只能处理数值型数据（因为基于欧氏距离）。12.B【解析】np.eye(n)用于创建nxn的单位矩阵；np.zeros创建全0矩阵；np.ones创建全1矩阵；np.diag创建对角矩阵。13.B【解析】维度表存储描述性属性（如时间、地点、产品属性），用于过滤和分组标签；事实表存储事实数据和度量。14.C【解析】MSE（均方误差）是回归问题中常用的损失函数/纯度指标。信息增益、基尼系数、熵主要用于分类树。15.B【解析】对于大文件，应使用chunksize参数分块迭代处理，避免内存溢出。16.A【解析】基于用户的协同过滤是“物以类聚，人以群分”的思想，推荐相似用户喜欢的东西。17.B【解析】左连接以左表为主，保留左表所有记录，右表无匹配时填NULL。18.C【解析】类别过多时，One-Hot会产生稀疏矩阵且维度爆炸；LabelEncoding会引入不存在的顺序关系；TargetEncoding（目标编码）利用目标变量的均值来编码，适合高基数类别特征。19.D【解析】dict.fromkeys(a)会利用字典键的唯一性去重，且Python3.7+字典保持插入顺序，keys()返回视图，list()可转为列表。list(set(a))会打乱顺序。20.B【解析】漏斗模型专门用于分析用户在特定操作流程（如浏览->加购->下单->支付）中各步骤的转化和流失情况。二、多项选择题1.ABCD【解析】特征选择属于特征工程，不属于基础的数据清洗（虽然紧密相关）。数据清洗主要包括处理缺失、重复、异常、格式转换等。2.ABCD【解析】NumPy（计算）、Pandas（数据处理）、Matplotlib（绘图）、Scikit-learn（机器学习）是核心栈。TensorFlow是深度学习框架，虽相关但不是基础数据分析必选。3.ABCDE【解析】A、B、C、D、E描述均正确。4.ABCD【解析】索引增加写操作开销和存储空间，但能加速读操作。并非越多越好，因为维护成本高。5.ABC【解析】逻辑回归虽名含回归，但是分类模型；输出概率；系数符号代表影响方向。它假设特征间线性关系（通过Logit），且需要对特征进行缩放以便收敛和正则化。6.ABCDE【解析】这些都是构建用户画像常见的维度分类。7.ABC【解析】L1是绝对值（稀疏），L2是平方和（非稀疏）。8.ABC【解析】merge/join类似SQL连接，concat用于拼接（堆叠），append是concat的简版（已弃用或合并入concat），combine较少用于简单合并。9.ABCD【解析】Accuracy是分类指标。10.ABCD【解析】时间序列通常具有趋势、季节、周期和随机（残差）特征。独立性通常是时间序列需要检验或消除的（如白噪声）。三、填空题1.互斥2.pd.read_excel3.COUNT4.过拟合5.Monetary（消费金额）6.shape或.ndim(注：shape返回元组，ndim返回维度数，通常问维度指shape)7.对照组8.4.5【解析】排序为4,4,4,5,5,7,9（共8个偶数个），中位数=(4+5)/2=4.5。原数据[2,4,4,4,5,5,7,9]排序后为2,4,4,4,5,5,7,9。中间两个是第4和第5个，即4和5，均值4.5。9.折线图10.正交四、简答题1.答：集中趋势的统计量主要包括：均值：所有数值的平均，反映总体水平，易受极端值影响。中位数：数据排序后位于中间的值，反映数据的中等水平，不受极端值影响。众数：出现次数最多的值，反映最普遍的情况。意义：用于概括数据的“中心”位置，例如分析用户平均客单价（均值）或用户普遍年龄（众数）。离散程度的统计量主要包括：方差/标准差：数据偏离均值的程度，衡量数据的波动大小。极差：最大值与最小值之差，反映数据的范围。四分位距（IQR）：上四分位数与下四分位数之差，反映中间50%数据的离散程度。意义：用于衡量数据的稳定性，例如分析每日销售额的波动（标准差），波动过大说明业务不稳定。2.答：(1)数值离散化（分箱）：将连续变量划分为区间。例如，将年龄划分为“0-18”、“19-35”、“36-60”等年龄段。(2)交叉特征：将两个或多个特征组合。例如，在电商中，将“省份”和“商品类别”组合成新特征“地区-品类偏好”。(3)统计聚合特征：基于ID进行历史统计。例如，计算用户过去30天的平均消费金额、点击次数等作为新特征。(4)时间特征提取：从日期时间戳中提取信息。例如，从“下单时间”中提取“星期几”、“是否周末”、“小时”等特征。3.答：INNERJOIN（内连接）：只返回两个表中连接字段匹配的行。即只保留交集部分。LEFTJOIN（左连接）：返回左表的所有行，右表中如果没有匹配的行，则显示NULL。即以左表为主，保留左表全部。FULLOUTERJOIN（全外连接）：返回左表和右表中的所有行。当某行在另一个表中没有匹配时，则显示NULL。即保留并集。4.答：分析框架设计如下：(1)定义流失：明确流失的定义（如30天未登录/未购课）。(2)总体概览：计算整体流失率，观察随时间的变化趋势。(3)用户维度分析：属性分析：分析流失用户的画像（年龄、地域、设备等）与留存用户的差异。行为分析：对比流失前与留存用户的行为路径（完课率、互动频率、学习时长）。(4)课程维度分析：分析流失集中在哪些课程类型、讲师或难度等级。(5)触点分析：分析用户流失发生的关键节点（注册后、试听后、付费前）。(6)归因建模：利用机器学习模型（如随机森林）计算各特征对流失的贡献度，找出核心原因。五、综合应用题1.SQL应用：(1)SELECTu.city,COUNT(DISTINCTu.user_id)astotal_users,SUM(o.amount)astotal_amountFROMusersuLEFTJOINordersoONu.user_id=o.user_idANDYEAR(o.order_date)=2025WHEREYEAR(u.register_date)=2025GROUPBYu.city;(2)SELECTCOUNT(*)FROMusersuWHEREu.register_dateBETWEEN'2025-01-01'AND'2025-01-31'ANDu.user_idNOTIN(SELECTDISTINCTuser_idFROMordersWHEREorder_dateBETWEEN'2025-01-01'AND'2025-12-31');(3)SELECTuser_id,SUM(amount)astotal_spentFROMordersGROUPBYuser_idORDERBYtotal_spentDESCLIMIT10;2.Python数据分析：```pythonimportpandasaspd#(1)读取数据并转换日期df=pd.read_csv('sales_data.csv')df['date']=pd.to_datetime(df['date'])#(2)筛选2025年数据并计算季度总销售额df_2025=df[df['date'].dt.year==2025].copy()#设置日期为索引以便resample，或者直接利用dt.quarterdf_2025['quarter']=df_2025['date'].dt.quarterquarterly_revenue=df_2025.groupby('quarter')['revenue'].sum()print(quarterly_revenue)#(3)销售额最高的三个产品类别top_products=df.groupby('product')['revenue'].sum().sort_values(ascending=False).head(3)print(top_products)#(4)缺失值填充#检查缺失值print(df['revenue'].isnull().sum())