2026年数据分析岗位笔试试题（附答案）

2026年数据分析岗位笔试试题（附答案）第一部分：单项选择题（本部分共15题，每题2分，共30分。每题只有一个选项符合题意）1.在数据分析的探索性阶段（EDA），当数据分布呈现明显的右偏（正偏）时，以下哪一种统计量最能代表该组数据的“中心趋势”？A.算术平均值B.中位数C.众数D.几何平均值2.在Python的Pandas库中，给定一个DataFrame`df`，若要删除所有包含缺失值（NaN）的行，应该使用以下哪个方法？A.`df.dropna(axis=1)`B.`df.dropna(how='all')`C.`df.dropna()`D.`df.fillna(0)`3.在SQL查询中，关于窗口函数`RANK()`和`DENSE_RANK()`的区别，下列描述正确的是？A.`RANK()`生成连续的排名，如1,2,3,4B.`DENSE_RANK()`遇到相同数值时会跳过后续排名，如1,2,2,4C.`RANK()`遇到相同数值时会跳过后续排名，如1,2,2,4D.两者在处理并列排名时的逻辑完全一致4.某电商公司进行A/B测试，实验组的点击率是5%，对照组的点击率是4%，样本量均为10,000。进行双样本比例检验（Two-proportionZ-test）后，得到的P值为0.03。若显著性水平α=A.拒绝原假设，认为实验组与对照组点击率无显著差异B.拒绝原假设，认为实验组点击率显著高于对照组C.无法拒绝原假设，认为实验组与对照组点击率无显著差异D.拒绝原假设，认为实验组点击率显著低于对照组5.在数据清洗过程中，发现某数值型特征存在异常值。若数据分布近似正态分布，通常使用什么方法来识别异常值？A.四分位距法（IQRRule）B.3σC.决策树分类D.K-Means聚类6.关于数据库索引的优化，以下说法错误的是？A.索引会加快查询速度，但会降低写入（INSERT/UPDATE/DELETE）速度B.在经常用于WHERE子句的列上建立索引通常效果较好C.在区分度很低（如性别，只有男女两个值）的列上建立索引效果最好D.联合索引遵循“最左前缀原则”7.在Python中，使用NumPy计算两个数组`[1,2,3]`和`[4,5,6]`的内积（点积），结果是多少？A.`[4,10,18]`B.`32`C.`[5,7,9]`D.`14`8.在评估分类模型时，若数据集极度不平衡（例如欺诈检测中正样本极少），以下哪个指标是最不合适的？A.准确率B.精确率C.召回率D.F1-ScoreE.AUC-ROC9.某在线教育平台想要分析用户完课率。定义指标：分子是“完成课程的用户数”，分母是“注册课程的用户数”。发现该指标在周末突然下降，可能的原因不包括？A.周末服务器故障导致数据采集缺失B.周末大量新用户注册但尚未开始学习C.周末课程内容更新导致旧版本无法完成D.周末运营活动吸引了大量高质量用户10.在关系型数据库设计中，为了消除传递依赖，将表规范到第三范式（3NF），主要目的是？A.减少数据冗余B.提高查询速度C.增加数据安全性D.便于数据库备份11.在使用Matplotlib绘制图表时，若要在一个画布上绘制2×A.`plt.subplot(2,2,1)`B.`plt.subplot(1,2,1)`C.`plt.plot(2,2,1)`D.`plt.subplots(2,2,1)`12.关于留一交叉验证，下列描述正确的是？A.它的计算成本通常比K-Fold交叉验证低B.每次迭代只留下一个样本作为测试集，其余作为训练集C.它的模型评估方差通常较大D.它不适用于小样本数据集13.某用户在一段时间内的活跃天数序列为：`[1,0,1,1,0,1]`（1代表活跃，0代表不活跃）。计算该用户的“7日留存率”（假设第0天活跃，考察第7天是否活跃），基于该数据？A.100%B.66.7%C.50%D.无法计算14.在Python中，执行`print(round(2.675,2))`的结果是？A.2.67B.`2.68`C.2.60D.2.715.在RFM模型中，R、F、M分别代表？A.Reach,Frequency,MoneyB.Recency,Frequency,MonetaryC.Recency,Feedback,MonetaryD.Reach,Feedback,Money第二部分：多项选择题（本部分共5题，每题4分，共20分。每题有两个或两个以上选项符合题意，少选得2分，错选不得分）1.下列属于非结构化数据的是？A.数据库中的用户日志表B.服务器生成的文本日志文件C.用户上传的JPG图片D.存储在JSON格式中的配置文件E.社交媒体上的评论文本2.在Pandas中，对于DataFrame`df`，执行`df.groupby('Category')['Sales'].agg(['sum','mean'])`操作，以下说法正确的是？A.会返回一个SeriesB.会返回一个DataFrameC.结果的索引将是'Category'列的唯一值D.结果的列名将包含'sum'和'mean'E.如果'Sales'列包含缺失值，计算时会自动忽略3.下列关于假设检验中的“第一类错误”和“第二类错误”，描述正确的有？A.第一类错误也称为“弃真”，即原假设为真却被拒绝B.第二类错误也称为“取伪”，即原假设为假却被接受C.样本量固定时，无法同时降低第一类错误和第二类错误的概率D.显著性水平α越大，犯第一类错误的概率越小E.增加样本量可以同时降低两类错误的概率4.在数据仓库建模中，维度表的特征通常包括？A.空间占用大B.记录数相对较少C.包含大量的描述性属性（文本）D.经常被连接，是查询的入口E.数据更新频繁（如每秒都在变）5.使用线性回归模型时，若发现残差图呈现“漏斗形”（异方差性），可以采取的补救措施包括？A.对因变量Y进行对数变换B.对自变量X进行多项式扩展C.使用加权最小二乘法（WLS）D.增加正则化项（L1/L2）E.删除部分异常数据点第三部分：填空题（本部分共10题，每题3分，共30分）1.在集合论中，若事件A发生的概率为0.6，事件B发生的概率为0.5，且A与B互斥，则A与B同时发生的概率为\_\_\_\_\_\_。2.在SQL中，若要查询表`employees`中`salary`字段排名前10的员工，可以使用`SELECT*FROMemployeesORDERBYsalaryDESC\_\_\_\_\_\_10;`。3.在Python的`scipy.stats`模块中，用于计算皮尔逊相关系数的函数是\_\_\_\_\_\_。4.某产品的销售额从去年的100万增长到今年的150万，其同比增长率为\_\_\_\_\_\_%。5.在数据可视化中，用于展示数据中各部分占整体比例关系的图表通常称为\_\_\_\_\_\_图。6.在Pandas中，若要将一个字符串类型的列`date_col`转换为datetime类型，应使用`pd.\_\_\_\_\_\_(df['date_col'])`。7.决策树算法中，用于衡量节点纯度的指标包括基尼系数和\_\_\_\_\_\_。8.在Linux系统中，查看文件前20行内容的命令是\_\_\_\_\_\_。9.在正则表达式中，匹配任意一个数字字符的符号是\_\_\_\_\_\_。10.标准正态分布的均值μ为0，标准差σ为\_\_\_\_\_\_。第四部分：简答题（本部分共4题，每题10分，共40分）1.请简述A/B测试（实验设计）的基本流程，并说明在实验分组时为什么要进行“分层抽样”或“随机化”？2.在SQL中，`LEFTJOIN`（左连接）和`INNERJOIN`（内连接）有什么区别？请给出一个具体的业务场景说明何时必须使用`LEFTJOIN`。3.什么是数据泄露？在机器学习建模过程中，有哪些常见的操作会导致数据泄露？应如何避免？4.解释什么是“辛普森悖论”。在数据分析中，当出现分组趋势与整体趋势相反时，作为数据分析师应如何处理和解读？第五部分：综合应用题（本部分共3大题，共80分）1.SQL综合查询题（25分）现有数据库表结构如下：`users`(用户表):`user_id`(INT,主键),`city`(VARCHAR,城市),`register_date`(DATE,注册日期)`orders`(订单表):`order_id`(INT,主键),`user_id`(INT,外键),`amount`(DECIMAL(10,2),订单金额),`order_date`(DATE,下单日期)请写出SQL查询语句，完成以下需求：(1)查询2025年注册用户数量排名前3的城市，以及对应的注册用户数。（8分）(2)查询每个用户的总消费金额、总订单数。只展示总消费金额大于1000元的用户。（8分）(3)查询在2025-10-01至2025-10-31期间，每个城市的日均订单金额（即该城市该期间总订单金额/总天数）。注意：若某城市在该期间无订单，则不显示。（9分）2.Python数据分析处理题（25分）假设你拿到了一份某App的用户活跃日志数据`user_activity.csv`，包含以下字段：`user_id`:用户ID`date`:活跃日期(格式YYYY-MM-DD)`duration`:活跃时长（秒）请使用Python(Pandas)完成以下任务：(1)读取数据，并将`date`列转换为datetime类型。计算该数据集的时间跨度（即最大日期与最小日期的差值）。（5分）(2)统计每个用户的`user_id`的活跃天数，并找出活跃天数最多的Top5用户。（8分）(3)定义“周活跃用户”为：在一周内（周一到周日）至少活跃一次的用户。请计算数据集中每一周的周活跃用户数（提示：按年份和周数进行分组）。（12分）3.业务分析与综合案例题（30分）背景：某生鲜电商APP最近上线了“会员plus”服务（付费会员，每月19元，享受免运费及9折优惠）。上线一个月后，产品经理让你分析该功能的上线效果。数据说明：`exp_group`:实验组（开通了会员plus功能入口）vs对照组（未开通入口，但功能在后台保留）。`user_id`:用户唯一标识。`order_count`:月订单数。`gmv`:月成交总额。`shipping_fee`:月运费总额。`is_member`:是否开通会员（布尔值）。问题：(1)请构建一个评估指标体系，列出至少4个关键指标（KPI），并说明其含义及计算公式。（12分）(2)产品经理发现实验组的GMV（成交总额）显著高于对照组，认为功能非常成功。你深入分析后发现，实验组的人均订单量并没有显著提升。请分析GMV升高的可能原因，并说明如何验证你的假设？（10分）(3)如果该功能要全面推广，但在全面推广前需要预估ROI（投资回报率）。已知会员月费19元，假设全站100万活跃用户，预计10%的转化率。请计算预期的月度增量收入上限。同时，为了保证ROI>1，该功能每月带来的额外GMV（扣除运费减免和折扣成本后）至少需要达到多少？（8分）参考答案及详细解析第一部分：单项选择题1.B解析：在右偏分布中，存在极大的长尾值（异常高值），会拉高算术平均值，使其偏离数据的中心。中位数是位于中间位置的数，不受极端值影响，更能代表此类数据的中心趋势。2.C解析：`df.dropna()`默认参数`axis=0`（删除行）和`how='any'`（只要有一个NaN就删除该行），符合题意。A是删除列，B是全为NaN才删除，D是填充。3.C解析：`RANK()`并列排名会占用名次，如1,2,2,4；`DENSE_RANK()`并列排名不占用名次，如1,2,2,3。4.B解析：P值0.03小于显著性水平0.05，因此拒绝原假设（原假设通常是两组无差异）。由于实验组5%>对照组4%，结论是实验组显著高于对照组。5.B解析：3σ6.C解析：索引的建立需要考虑区分度。如果列的基数很低（如性别，只有两个值），索引往往无法有效过滤数据，甚至因为回表操作降低查询效率，优化器通常不会选择此类索引。7.B解析：内积计算公式为1×8.A解析：在极度不平衡数据中，如果模型全部预测为负类（多数类），准确率依然会很高（如99%），但这没有意义。此时应关注Precision,Recall,F1或AUC。9.D解析：A、B、C均可能导致指标下降。D选项“吸引了大量高质量用户”通常会提升完课率或至少维持稳定，不会导致下降。10.A解析：范式的主要目的是为了减少数据冗余和避免更新异常。11.A解析：`subplot(rows,cols,index)`，所以是`plt.subplot(2,2,1)`。12.B解析：留一法每次留一个样本做测试，其余做训练。其计算量大（等于样本数量），评估方差较小（因为训练集几乎就是全集），但计算成本高。13.D解析：序列长度为6，无法计算第7天的数据。14.A解析：这是Python浮点数表示的经典问题（IEEE754标准），2.675在计算机中可能被存储为2.674999...，因此`round`函数会向偶数舍入，结果为2.67。15.B解析：RFM模型中，R(Recency)最近一次消费时间，F(Frequency)消费频率，M(Monetary)消费金额。第二部分：多项选择题1.B,C,E解析：非结构化数据是指没有固定预定义模型的数据，如文本、图片、音频、视频等。A是结构化数据，D是半结构化数据。2.B,C,D,E解析：`agg`返回DataFrame；索引是分组的列；列名是聚合函数名；Pandas默认忽略NaN进行计算。3.A,B,C,E解析：α是犯第一类错误的概率上限，α越大，犯第一类错误概率越大，所以D错。4.B,C,D解析：维度表通常描述“谁、什么、哪里、何时”，记录数相对事实表少，包含描述性文本。事实表才是空间占用大、数据更新频繁。5.A,C解析：异方差性指残差方差不恒定。对Y取对数可以压缩尺度，缓解异方差；加权最小二乘法（WLS）是专门处理异方差的方法。B是解决非线性问题，D是解决过拟合问题。第三部分：填空题1.0解析：互斥意味着不可能同时发生，P(2.LIMIT解析：SQL标准语法中常用LIMIT（MySQL/PostgreSQL/SQLite），SQLServer用TOP，Oracle用ROWNUM。此处填LIMIT最为通用。3.pearsonr解析：`fromscipy.statsimportpearsonr`。4.50解析：(1505.饼解析：Piechart。6.to_datetime解析：`pd.to_datetime()`。7.信息增益/熵解析：ID3使用信息增益（基于熵），CART使用基尼系数。8.head-n20解析：或者`head20`。9.\d解析：正则中`\d`匹配数字。10.1解析：标准正态分布N(第四部分：简答题1.答：A/B测试基本流程：1.明确目标：确定要优化的指标（如点击率、转化率）。2.提出假设：例如“修改按钮颜色能提高点击率”。3.实验设计：确定样本量、分组方式、流量分配比例、测试时长。4.随机分组：将用户随机分为实验组和对照组，确保除实验变量外其他条件一致。5.实施实验：上线实验版本，收集数据。6.假设检验：计算统计量（如t-test,chi-square），得到P值。7.得出结论：根据P值判断是否显著，决定全量上线、回滚或继续迭代。随机化/分层抽样的原因：为了保证实验组和对照组在统计上是可比的，消除混杂变量的影响（如用户设备、地域、新老用户等）。如果不随机，可能导致“辛普森悖论”或选择性偏差，使得实验结果无法归因于功能改动。2.答：区别：`INNERJOIN`（内连接）：只返回两个表中连接字段匹配的行。如果某行在另一表中没有匹配，则不显示。`LEFTJOIN`（左连接）：返回左表（FROM子句后的表）的所有行，即使右表中没有匹配的行。未匹配的部分用NULL填充。业务场景：计算“所有用户的订单数”。如果我们有一张`Users`表（所有用户）和`Orders`表（有订单的用户）。使用`INNERJOIN`：只会统计出下过订单的用户及其订单数，未下单用户会丢失。使用`LEFTJOIN`：可以保留所有用户，未下单用户的订单数显示为0或NULL，这是计算“全站用户转化率”或“零购用户占比”时的必要操作。3.答：定义：数据泄露是指在模型训练过程中，模型使用了在预测时本来无法获取到的数据信息，导致评估指标虚高，但模型在实际上线后表现很差。常见操作及避免方法：1.在拆分训练集/测试集之前进行数据预处理：错误：对全数据进行归一化或填充缺失值，再拆分。导致测试集的信息（如均值、最大值）泄露给了训练集。正确：先拆分，再分别对训练集fit，transform测试集。2.特征工程中使用未来信息：错误：计算“用户平均消费金额”时，使用了测试期内的数据；或者在时间序列预测中，用t时刻的数据去预测t时刻。正确：严格按时间切分，特征只能使用截止到t−3.交叉验证处理不当：错误：在K-Fold之前对全数据进行了降维（如PCA）。正确：将降维等步骤包含在Pipeline的每一步Fold内部。4.答：定义：辛普森悖论是指当分组比较数据时，各组内的趋势与合并后的总趋势相反的现象。这通常是因为分组变量是混杂因子，且各组样本占比不同导致的。处理与解读：1.不要只看总数：作为分析师，不能仅凭汇总数据下结论，必须进行下钻分析。2.识别混杂因子：分析是否存在影响结果的潜在变量（如性别、病情轻重、渠道来源）。3.标准化/加权处理：对数据进行加权平均或标准化处理，消除样本结构差异带来的影响。4.因果推断：在解读数据时，明确指出分组趋势，探究导致反向趋势的根本原因（例如，某种药在重症和轻症中都好，但汇总数据差，可能是因为该药大多被用于重症，而对照组多为轻症）。第五部分：综合应用题1.SQL综合查询题(1)```sqlSELECTcity,COUNT(*)asuser_countFROMusersWHEREYEAR(register_date)=2025GROUPBYcityORDERBYuser_countDESCLIMIT3;```(2)```sqlSELECTu.user_id,SUM(o.amount)astotal_amount,COUNT(o.order_id)astotal_ordersFROMusersuLEFTJOINordersoONu.user_id=o.user_idGROUPBYu.user_idHAVINGtotal_amount>1000;```(3)```sqlSELECTu.city,SUM(o.amount)/COUNT(DISTINCTo.order_date)asavg_daily_amountFROMusersuJOINordersoONu.user_id=o.user_idWHEREo.order_dateBETWEEN'2025-10-01'AND'2025-10-31'GROUPBYu.city;```(注：这里假设题目要求的是“有订单的日期”作为分母，或者直接除以31天。按严格业务逻辑，通常除以当月天数31。若按数据实际日期去重计数，则是`COUNT(DISTINCTorder_date)`。上述SQL采用去重日期逻辑)2.Python数据分析处理题```pythonimportpandasaspd#(1)读取数据并转换类型，计算时间跨度df=pd.read_csv('user_activity.csv')df['date']=pd.to_datetime(df['date'])time_span=df['date'].max()-df['date'].min()print(f"时间跨度:{time_span.days}天")#(2)统计每个用户活跃天数，Top5#去重，因为同一天可能有多条记录unique_active_days=df.drop_duplicates(subset=['user_id','date'])user_active_counts=unique_active_days.groupby('user_id')['date'].count().reset_index(name='active_days')top_5_users=user_active_counts.sort_values('active_days',ascending=False).head(5)print(top_5_users)#(3)计算周活跃用户数#提取年份和周数#isocalendar()返回(year,week,weekday)df['year']=df['date'].dt.isocalendar().yeardf['week']=df['date'].dt.isocalendar().week#按年、周、用户去重，计算每周去重后的用户数weekly_wau=df.drop_duplicates(subset=['year','week','user_id']).groupby(['year','week'])['user_id'].count().reset_index(name='WAU')print(weekly_wau)```3.业务分析与综合案例题(1)指标体系：会员渗透率：开通会员的用户数/活跃用户数。反映功能的受欢迎程度。会员复购率：会员用户中产生二次购买的比例。反映会员对用户留存的影响。客单价(ARPU)：总GMV/总用户数。反映用户价值变化。投入产出比(ROI)：(会员费收入+增量GMV利润)/(运营成本+优惠成本)。反映商业可行性。运费补贴率：会员节省的运费总额/会员订单总额。反映优惠力度。(2)GMV升高原因分析：原因假设：虽然人均订单量没变，但客单价提升了。可能是因为：1.凑单行为：为了免运费（会员免运），用户倾向于将多个订单合并，或单次购买更多商品以达到免邮门槛。2.价