2026年数据分析师职业能力鉴定考试试卷及答案

2026年数据分析师职业能力鉴定考试试卷及答案一、单项选择题（本部分共20题，每题1分，共20分。每题只有一个正确选项，请将正确选项填入括号内）1.在关系型数据库SQL查询中，若要查找“成绩表”中分数在60到80之间（包含60和80）的所有记录，下列WHERE子句正确的是（）。A.WHEREscore>60ANDscore<80B.WHEREscoreBETWEEN60AND80C.WHEREscoreIN(60,80)D.WHEREscoreLIKE'60,80'2.使用Python的Pandas库进行数据处理时，若DataFrame对象df中存在缺失值，下列哪个方法可以删除包含缺失值的行？（）A.df.dropna()B.df.fillna(0)C.df.isnull()D.df.notnull()3.在假设检验中，如果原假设（H0）实际上是成立的，但检验结果却拒绝了原假设，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.抽样误差4.在数据仓库建模中，星型模型与雪花模型的主要区别在于（）。A.星型模型包含事实表，雪花模型不包含B.雪花模型对维度表进行了规范化，星型模型维度表通常处于反规范化状态C.星型模型查询性能更差，雪花模型查询性能更好D.雪花模型无法处理大数据量5.下列Python代码片段的输出结果是（）。list_a=[1,2,3,4]result=[x*2forxinlist_aifx>2]print(result)A.[2,4,6,8]B.[6,8]C.[3,4]D.[4,6]6.在SQL中，窗口函数`RANK()`与`DENSE_RANK()`的主要区别在于（）。A.RANK()是排序，DENSE_RANK()是聚合B.DENSE_RANK()不跳过排名序号，RANK()会跳过（如1,2,2,4vs1,2,2,3）C.RANK()只能用于数值型字段，DENSE_RANK()用于字符型D.两者没有区别，功能完全一致7.某电商dataset中，用户年龄与购买金额之间的皮尔逊相关系数为-0.85，这表明（）。A.年龄越大，购买金额越高B.年龄与购买金额没有线性关系C.年龄越大，购买金额越低，且负相关关系很强D.相关系数计算错误，取值范围超出了-1到18.在使用NumPy进行矩阵运算时，若要创建一个3行3列的全零矩阵，应使用（）。A.np.zeros((3,3))B.np.empty((3,3))C.np.ones((3,3))D.np.eye(3)9.数据可视化中，若要展示两个连续变量之间的相关性分布趋势，最适合的图表类型是（）。A.饼图B.散点图C.柱状图D.雷达图10.某APP昨日活跃用户数为10000，今日活跃用户数为12000，其中两日都活跃的用户数为8000。则次日留存率为（）。A.80%B.66.67%C.120%D.20%11.在Python中，使用Matplotlib绘制图表时，若要解决中文显示乱码问题，通常需要配置字体属性，下列哪个参数用于设置字体文件路径？（）A.`font.family`B.`font.size`C.`font.sans-serif`D.`axes.unicode_minus`12.SQL语句中，`GROUPBY`子句通常与`______`一起使用，以便对分组后的数据进行筛选。（）A.WHEREB.ORDERBYC.HAVINGD.LIMIT13.在机器学习的特征工程中，将数值型特征缩放到[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14.下列关于数据分析师职业素养的描述，不准确的是（）。A.需具备良好的业务理解能力，能将数据问题转化为业务问题B.只需要精通编程技术，业务逻辑可以由产品经理补充C.需具备严谨的数据敏感度，能发现数据中的异常值D.需具备良好的沟通表达能力，能将分析结果呈现给非技术人员7.在Python中，下列哪个数据结构是可变的且无序的，不允许重复元素？（）A.ListB.TupleC.SetD.Dictionary16.在A/B测试中，为了判断实验组与对照组的差异是否具有统计学意义，我们通常设定显著性水平α为0.05。这意味着（）。A.我们有95%的把握拒绝原假设B.原假设为真时，错误拒绝原假设的概率为5%C.实验组效果优于对照组的概率为95%D.样本量不足的概率为5%17.关于数据库索引，下列说法正确的是（）。A.索引越多，查询性能一定越好B.索引会降低写入速度，但能提高查询速度C.只有主键可以建立索引D.索引会占用额外的内存空间，但不会占用磁盘空间18.在时间序列分析中，移动平均法的主要作用是（）。A.预测数据的长期趋势B.消除数据中的随机波动，平滑序列C.检测数据的季节性波动D.计算数据的方差19.使用Pandas读取Excel文件时，若要指定读取哪个Sheet，应使用的参数是（）。A.`header`B.`sheet_name`C.`index_col`D.`encoding`20.某连锁店想要分析“天气情况”对“奶茶销量”的影响，但发现数据中缺失了30%的天气数据。下列处理方式最不恰当的是（）。A.删除所有缺失天气数据的行B.使用天气数据的众数进行填充C.使用前后日期的天气数据进行线性插值填充D.忽略该字段，直接分析销量与其他因素的关系（如果天气是核心因素）二、多项选择题（本部分共10题，每题2分，共20分。每题有两个或两个以上正确选项，少选得1分，多选、错选不得分）1.下列属于数据清洗常见步骤的有（）。A.缺失值处理B.重复值处理C.异常值检测与处理D.数据标准化E.特征构建2.在Python的数据分析库生态中，下列哪些库可以用于数据可视化？（）A.MatplotlibB.SeabornC.PlotlyD.Scikit-learnE.PyTorch3.SQL中的聚合函数包括（）。A.SUM()B.COUNT()C.AVG()D.MAX()E.CONCAT()4.评估回归模型性能的常用指标有（）。A.均方误差(MSE)B.均方根误差(RMSE)C.平均绝对误差(MAE)D.R平方(R-squared)E.准确率5.下列关于PandasDataFrame的操作，描述正确的有（）。A.`df.head(5)`可以查看前5行数据B.`df.describe()`可以计算数值型列的统计摘要C.`df.sort_values(by='col')`可以按照指定列升序排序D.`df.merge(df2,on='key')`类似于SQL的JOIN操作E.DataFrame的索引一旦设定就不能修改6.在进行用户画像分析时，常用的用户维度标签包括（）。A.人口属性标签（性别、年龄、地域）B.社会属性标签（职业、收入、教育程度）C.行为偏好标签（购买品类、活跃时段）D.心理属性标签（价值观、兴趣爱好）E.预测类标签（流失概率、复购倾向）7.下列哪些情况会导致数据采集过程中的偏差？（）A.幸存者偏差B.选择偏差C.测量工具精度不足D.数据录入错误E.随机抽样8.在Python中，处理字符串的常用方法有（）。A.`strip()`(去除首尾空格)B.`split()`(分割字符串)C.`upper()`(转换为大写)D.`join()`(连接序列)E.`mean()`(计算平均值)9.下列属于非关系型数据库特点的有（）。A.灵活的数据模型B.最终一致性C.支持复杂的SQL事务D.水平扩展性强E.表格结构固定10.在漏斗分析中，关注的核心指标包括（）。A.总转化率B.各步骤转化率C.各步骤流失率D.平均停留时长E.用户跳出率三、填空题（本部分共10题，每题1分，共10分。请将答案填写在横线上）1.在统计学中，描述数据集中趋势的三个常用统计量是平均值、中位数和______。2.Python中，用于导入Pandas库并简写为pd的语句是：`importpandas______pd`。3.在SQL中，若要对查询结果进行去重，应使用关键字______。4.某班级有50名学生，数学成绩的平均分为80，标准差为10。根据切比雪夫定理，至少有______%的学生成绩在60到100之间。5.在A/B测试中，我们将流量随机分为两组，一组保持现状称为对照组，另一组使用新策略称为______。6.Pandas中，若要将DataFrame对象导出为CSV文件，应使用的方法是`df.______('file.csv')`。7.在数据可视化中，用于展示各部分占总体的百分比，且各部分之和为100%的图表是______。8.Python中，`2**3`的计算结果是______。9.在逻辑回归模型中，Sigmoid函数将线性回归的结果映射到______区间，表示概率。10.数据分析的基本流程通常包括：明确需求、数据收集、数据清洗、数据分析与建模、______。四、简答题（本部分共4题，每题5分，共20分）1.请简述在数据分析中，什么是“辛普森悖论”？并举例说明其产生的原因及解决思路。2.请比较说明“长表”和“宽表”在数据存储和分析中的优缺点。3.在电商数据分析中，什么是RFM模型？请解释R、F、M三个维度的具体含义及其在用户分层中的应用价值。4.简述在使用Python进行大规模数据处理时，若遇到内存不足的问题，有哪些常用的优化策略？五、综合应用题（本部分共3题，共50分。请详细阅读题目，按要求作答）1.（SQL应用题，15分）某公司拥有两张数据库表：表`orders（订单表）`，字段包含：`order_id`（订单ID，主键），`user_id`（用户ID），`order_date`（订单日期），`amount`（订单金额）。表`order_items（订单详情表）`，字段包含：`item_id`（详情ID），`order_id`（订单ID，外键），`product_id`（商品ID），`quantity`（购买数量），`price`（单价）。请编写SQL语句完成以下任务：(1)查询2023年10月份每个用户的总订单金额（`total_amount`）和订单总数（`order_count`），并按总金额降序排列。(2)查询所有包含商品ID为'P1001'的订单，显示订单ID、用户ID和该订单的总金额。(3)使用窗口函数，查询每个用户最近一次下单的订单ID及其下单日期。2.（Python数据分析题，20分）假设你是一名在线教育平台的数据分析师，现在手头有一份CSV格式的学员学习记录数据`study_log.csv`。数据包含以下字段：`user_id`:用户ID`course_id`:课程ID`duration`:学习时长（分钟）`device_type`:设备类型（'PC','Mobile','Pad'）`login_date`:登录日期请使用Python（Pandas库）完成以下分析任务，并写出关键代码步骤：(1)读取数据，并将`login_date`字段转换为日期时间格式。(2)检查数据中是否存在缺失值，若有缺失值，请根据业务逻辑填充或删除，并说明理由。(3)统计不同设备类型（`device_type`）的学习总时长和平均学习时长。(4)找出学习时长最长的前10名用户，输出他们的`user_id`和总学习时长。(5)定义一个函数，根据学习时长将用户分为三个等级：'High'（>100分钟），'Medium'（30-100分钟），'Low'（<30分钟），并在DataFrame中新增一列`level`标记这些等级。3.（商业案例分析题，15分）某外卖平台推出了“会员免配送费”功能，并进行了为期一周的A/B测试。实验组（GroupB）：10000名用户，开通会员免配送费功能。对照组（GroupA）：10000名用户，保持原有状态（无免配送费）。测试一周后收集到的核心数据如下：GroupA：下单用户数2000人，总订单数5000单，平均每单配送费5元。GroupB：下单用户数2500人，总订单数7000单，平均每单配送费0元（平台补贴）。已知平台每单的平均利润（不含配送费成本）为3元，配送费实际成本为4元。(1)请计算GroupA和GroupB的订单转化率（下单用户数/总曝光用户数）。(2)请计算GroupA和GroupB的人均订单数（总订单数/下单用户数）。(3)从总利润的角度分析，该“会员免配送费”功能在一周内是否带来了正向收益？请列出计算过程。(4)除了短期利润，作为数据分析师，你还建议关注哪些长期指标来评估该功能的最终成败？参考答案一、单项选择题1.B2.A3.A4.B5.B6.B7.C8.A9.B10.B11.C12.C13.B14.B15.C16.B17.B18.B19.B20.D二、多项选择题1.ABCD2.ABC3.ABCD4.ABCD5.ABCD6.ABCDE7.ABCD8.ABCD9.ABD10.ABCE三、填空题1.众数2.as3.DISTINCT4.75(解析：k=2，1-1/2^2=0.75)5.实验组6.to_csv7.饼图8.89.0到110.数据可视化/报告撰写四、简答题1.答：辛普森悖论是指在分组比较中都占优势的一方，在总评中反而处于劣势的一种现象。产生原因：通常是因为样本中存在混杂变量，且不同分组间的样本权重分配不均匀导致的。举例：比如对比两个医院的治愈率。A医院治疗重症治愈率低（如10/100=10%），轻症治愈率高（如80/100=80%）；B医院重症治愈率高（如1/10=10%），轻症治愈率低（如8/10=80%）。如果直接看总治愈率，A医院(90/200=45%)低于B医院(9/20=45%)，这里数值相等，若样本权重变动则可能出现A在各类都低但总高的情况。关键在于A医院接收了更多难治的重症病人，拉低了总数据。解决思路：采用标准化处理，或者使用分层分析，控制混杂变量（如病情严重程度）后再进行对比，而不是直接汇总数据。2.答：宽表：优点：人类可读性好，便于人工查看，适合做透视表输入，某些分析工具直接处理方便。缺点：字段较多，容易产生稀疏数据，新增维度时需要修改表结构（DDL），灵活性较差。长表：优点：符合数据库范式，结构紧凑，便于存储，新增维度或指标时不需要修改表结构，适合计算机处理和绘图库（如ggplot,seaborn）的输入。缺点：分析时需要进行透视或聚合操作，对人类阅读不够直观。3.答：RFM模型是衡量客户价值和客户创利能力的重要工具和手段。R(Recency)最近一次消费：指的是用户距离上一次购买/消费的时间间隔。R值越小，用户越活跃，越容易再次消费。F(Frequency)消费频率：指的是用户在一段时间内的消费次数。F值越大，用户忠诚度越高。M(Monetary)消费金额：指的是用户在一段时间内的消费总额。M值越大，用户的消费能力越强，对企业的贡献越高。应用价值：通过这三个维度，可以将用户划分为不同的群体，如“重要价值客户”（R高、F高、M高）、“重要挽留客户”（R低、F高、M高）、“一般发展客户”等。针对不同群体，企业可以制定差异化的营销策略，如对高价值客户进行VIP维护，对流失风险高的客户进行优惠券召回等。4.答：分块读取：使用Pandas的`chunksize`参数分批读取大文件，逐块处理并聚合结果，避免一次性加载全部数据。指定数据类型：在读取数据时使用`dtype`参数明确指定列类型（如将int64转为int32或category），减少内存占用。及时释放内存：在处理完中间变量后，使用`del`删除变量，并调用`gc.collect()`强制回收垃圾。使用高效数据结构：对于文本数据，尽量转换为`category`类型；对于稀疏数据，使用稀疏矩阵结构。使用Dask或Modin等库：这些库专门用于处理超出内存限制的大规模数据，支持并行计算和磁盘溢出。五、综合应用题1.答：(1)```sqlSELECTuser_id,SUM(amount)AStotal_amount,COUNT(order_id)ASorder_countFROMordersWHEREorder_dateBETWEEN'2023-10-01'AND'2023-10-31'GROUPBYuser_idORDERBYtotal_amountDESC;```(2)```sqlSELECTo.order_id,o.user_id,o.amountFROMordersoJOINorder_itemsoiONo.order_id=oi.order_idWHEREduct_id='P1001';```(3)```sqlSELECTuser_id,order_id,order_dateFROM(SELECTuser_id,order_id,order_date,ROW_NUMBER()OVER(PARTITIONBYuser_idORDERBYorder_dateDESC)asrnFROMorders)tWHEREt.rn=1;```2.答：```pythonimportpandasaspd#(1)读取数据并转换日期格式df=pd.read_csv('study_log.csv')df['login_date']=pd.to_datetime(df['login_date'])#(2)缺失值处理#假设user_id,course_id,duration为核心字段，若缺失则无意义，删除行#device_type若缺失，可填充为'Unknown'#login_date若缺失，无法分析，删除df.dropna(subset=['user_id','course_id','duration','login_date'],inplace=True)df['device_type'].fillna('Unknown',inplace=True)#(3)统计不同设备类型的总时长和平均时长device_stats=df.groupby('device_type')['duration'].agg(['sum','mean'])print(device_stats)#(4)学习时长最长的前10名用户top_users=df.groupby('user_id')['duration'].sum().sort_values(ascending=False).head(10)print(top_users)#(5)定义函数并新增level列defcategorize_level(x):ifx>100:return'High'elifx>=30:return'Mediu