2026年数据分析师岗位能力测评试卷及答案

2026年数据分析师岗位能力测评试卷及答案一、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.在数据分析的探索阶段，当发现数据集中存在缺失值时，若缺失比例较低（如5%以下）且数据服从正态分布，最优先采用的预处理方法是（）。A.删除该条记录B.使用均值填充C.使用中位数填充D.使用机器学习模型预测填充2.在SQL中，若要计算每个用户的累计销售额，并按照销售额从高到低进行排名，窗口函数的书写正确的是（）。A.RANK()OVER(ORDERBYsalesDESC)B.ROW_NUMBER()OVER(PARTITIONBYuser_idORDERBYsalesDESC)C.SUM(sales)OVER(ORDERBYdateROWSBETWEENUNBOUNDEDPRECEDINGANDCURRENTROW)D.DENSE_RANK()OVER(PARTITIONBYsalesORDERBYuser_id)3.关于假设检验中的P值，下列说法正确的是（）。A.P值是原假设成立的概率B.P值是备择假设成立的概率C.P值越小，拒绝原假设的证据越强D.P值大于显著性水平α时，拒绝原假设4.在Python的Pandas库中，现有DataFrame`df`，包含列'A'和'B'。若要找出列'A'的值存在于列'B'中的所有行，最高效的操作是（）。A.df[df['A'].isin(df['B'])]B.df[df.apply(lambdax:x['A']inx['B'],axis=1)]C.df[df['A']==df['B']]D.df.loc[df['A'],df['B']]5.在评估分类模型时，若数据集极度不平衡（正负样本比例1:100），下列指标中最能客观反映模型性能的是（）。A.准确率B.精确率C.F1-ScoreD.AUC-ROC6.某电商平台的日活跃用户数（DAU）在“双11”当天出现了异常波动。为了判断该波动是否属于正常业务范围内的季节性波动，最适合的分析方法是（）。A.同比分析B.环比分析C.建立时间序列ARIMA模型进行预测并计算置信区间D.简单的移动平均法7.在进行A/B测试实验设计时，为了确保实验组和对照组除了实验变量外其他条件一致，最关键的操作是（）。A.确保两组样本量绝对相等B.进行随机分流C.选择流量最大的时间段进行测试D.仅在特定用户群体（如VIP用户）中进行测试8.在关系型数据库设计中，第三范式（3NF）要求（）。A.每一列都是不可再分的基本数据项B.非主键列完全依赖于主键C.非主键列不传递依赖于主键D.表中必须包含主键9.Python中，使用Matplotlib绘制子图时，若要创建一个2行2列的网格，并选中第1个子图位置，正确的函数调用是（）。A.plt.subplot(2,2,1)B.plt.subplot(1,2,1)C.plt.subplots(2,2,1)D.plt.plot(2,2,1)10.在数据仓库的建模中，事实表通常包含（）。A.大量的文本描述信息B.维度属性和度量值C.主键和外键D.主要是外键和度量值11.现有一组数据：[1,5,7,3,9,2,4]，该组数据的中位数是（）。A.3B.4C.4.5D.512.在聚类分析中，K-Means算法的目标函数通常旨在最小化（）。A.类间距离B.类内距离C.类间距离与类内距离的比值D.轮廓系数13.在Python中使用Scikit-learn库进行数据标准化时，将数据转化为均值为0，方差为1的分布，应使用的类是（）。A.MinMaxScalerB.StandardScalerC.NormalizerD.RobustScaler14.某在线教育网站想要分析“完课率”与“学习时长”之间的关系，绘制散点图后发现呈现明显的非线性关系。此时，为了量化两者关系的强度，最适合计算的相关系数是（）。A.Pearson相关系数B.Spearman等级相关系数C.Kendall秩相关系数D.判定系数R²15.在PowerBI或Tableau等BI工具中，若希望创建一个计算字段，仅当销售额大于10000时显示“高”，否则显示“低”，应使用的逻辑函数是（）。A.IFB.SWITCHC.IIFD.CASE16.在数据清洗过程中，发现某数值型特征中存在异常值（如年龄为200岁）。下列哪种方法对于受异常值影响较大的均值估计最为稳健？（）A.直接保留B.用中位数替换C.用众数替换D.用均值替换17.在Python中，`df.groupby('category').agg({'price':'mean','quantity':'sum'})`这段代码的作用是（）。A.计算整个数据集的价格均值和数量总和B.按'category'分组，计算每组的价格均值和数量总和C.按'price'和'quantity'进行分组D.代码会报错，因为agg函数不能接收字典18.关于留存率指标，通常的定义是（）。A.某日新增用户在随后第N日再次登录的比例B.某日活跃用户在随后第N日再次登录的比例C.某日注册用户在随后第N日再次登录的比例D.某日访问用户在随后第N日再次访问的比例19.在决策树算法中，用于选择最佳分裂特征的指标通常不包括（）。A.信息增益B.信息增益率C.基尼系数D.均方误差20.在编写自动化数据报表脚本时，为了防止脚本重复执行导致数据重复插入数据库，通常采用的设计模式是（）。A.单例模式B.幂等性设计C.工厂模式D.观察者模式二、多项选择题（本大题共5小题，每小题3分，共15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.下列属于数据分析师在进行特征工程时常用的降维方法有（）。A.主成分分析（PCA）B.线性判别分析（LDA）C.t-SNED.缺失值填充E.独热编码2.在SQL查询优化中，下列操作可能提高查询性能的有（）。A.在WHERE子句中使用的列上建立索引B.使用SELECT*查询所有列C.避免在索引列上进行函数运算D.使用EXISTS代替IN进行子查询（当子表数据量大时）E.在Join操作中确保连接字段数据类型一致3.下列关于Python中NumPy数组的描述，正确的有（）。A.NumPy数组中的所有元素必须是相同类型B.NumPy数组支持向量化运算，比Python原生列表效率高C.NumPy数组的维度一旦创建就不可改变D.`np.reshape`可以在不改变数据的情况下改变数组的形状E.NumPy数组切片操作返回的是原数组的深拷贝4.在构建指标体系时，北极星指标通常具备的特点包括（）。A.能反映公司的核心长期价值B.具有可操作性，能指导员工行为C.是先导指标，能预测未来成功D.越多越好，包含所有业务细节E.易于理解，跨部门沟通无障碍5.1.在进行时间序列分析时，若数据呈现明显的“季节性”特征，下列处理方式合理的有（）。A.进行差分操作（如12阶差分）B.使用SARIMA模型C.在回归模型中添加季节性虚拟变量D.直接删除季节性数据E.使用移动平均法平滑季节性波动三、填空题（本大题共10小题，每小题2分，共20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同时发生的概率等于它们各自概率的乘积，即P(AB)=P(A)P(B)，则称这两个事件是__________。2.在PythonPandas中，若要将两个DataFrame按照索引进行横向合并，应使用函数__________。3.在评估回归模型的拟合优度时，__________的取值范围在0到1之间，越接近1表示模型对数据的拟合程度越好。4.在SQL中，__________关键字用于从结果集中去除重复的行。5.数据清洗中的“__________”是指数据不符合预期的业务逻辑规则，例如“结束时间早于开始时间”。6.在A/B测试中，如果我们将显著性水平α设定为0.05，那么我们犯第一类错误（弃真）的概率最大为__________。7.在Python中，使用`open('data.txt','r')`打开文件后，为了确保文件最终能被关闭，最佳实践是使用__________语句。8.在Excel中，若要计算A1到A10区域中大于60的分数的个数，应使用的函数是__________。9.在推荐系统中，__________指标主要用于评估推荐列表中相关物品的排序质量，常用于Top-N推荐。10.在数据可视化中，若要展示各部分占整体的比例，且部分数量较多，适合选用的图表类型是__________。四、简答题（本大题共5小题，每小题6分，共30分）1.请简述在数据分析中，为何需要进行“数据标准化”或“归一化”处理？列举两种常见的数据标准化方法及其公式。2.在SQL中，`LEFTJOIN`（左连接）与`INNERJOIN`（内连接）的主要区别是什么？请结合具体业务场景举例说明。3.某电商APP的次日留存率在近期突然下降了5%。作为数据分析师，请列出你排查问题的思路框架（至少列出4个步骤）。4.请解释什么是“过拟合”，以及通常有哪些方法可以防止过拟合？5.简述RFM模型的概念，并说明R、F、M三个维度分别代表什么含义及其在用户分层中的业务意义。五、综合应用题（本大题共3小题，共55分）1.SQL综合应用题（15分）现有两张数据库表：表`users`(用户表):`user_id`(INT,用户ID，主键)`city`(VARCHAR,城市)`register_date`(DATE,注册日期)表`orders`(订单表):`order_id`(INT,订单ID，主键)`user_id`(INT,用户ID，外键)`amount`(DECIMAL(10,2),订单金额)`order_date`(DATE,下单日期)请编写SQL语句完成以下需求：(1)查询2025年注册用户中，注册人数排名前3的城市及其注册人数。（5分）(2)查询每个用户的总订单金额和总订单次数。（5分）(3)查询在2026年1月份下单，但从未在2025年下过单的用户ID及其2026年1月的消费总额。（5分）2.Python数据分析与处理题（20分）假设你拿到了一份某连锁超市的销售数据`sales_data.csv`，包含以下字段：`Date`（日期），`Store_ID`（门店ID），`Product_ID`（产品ID），`Category`（品类，如'Food','Electronics'），`Sales`（销售额），`Profit`（利润）。请使用Python(Pandas)完成以下任务：(1)读取数据，并将`Date`列转换为Pandas的datetime格式。（3分）(2)筛选出`Sales`大于0且`Profit`小于0的记录（即亏损销售），并计算这些记录占总记录的比例。（5分）(3)计算每个`Category`（品类）的总`Sales`和总`Profit`，并找出总`Profit`最高的品类。（6分）(4)对于`Store_ID`为'S001'的门店，按月重采样其`Sales`数据，计算月度总销售额，并绘制其月度销售趋势折线图（假设使用Matplotlib）。（6分）3.业务案例分析题（20分）背景：某在线阅读APP推出了“VIP会员订阅服务”，定价为每月19元。为了评估改版后的新会员权益页面对转化率的影响，产品经理进行了一周的A/B测试。实验数据如下：实验组（新版页面）：B组，样本量10,000人，转化人数500人。对照组（旧版页面）：A组，样本量10,000人，转化人数420人。(1)请分别计算A组和B组的转化率，并计算B组相对于A组的绝对提升值和相对提升率。（6分）(2)请使用假设检验的方法（Z检验），判断新版页面是否显著提升了转化率？（显著性水平α=0.05，请写出假设、计算过程及结论）。注：当样本量较大时，两个独立样本比例差异的Z检验统计量公式近似为：Z其中,为样本转化率，,为样本量，p为合并转化率。（8分）(3)假设检验结果显示具有统计显著性，请阐述在向业务方汇报结论时，除了统计显著性外，还需要考虑哪些业务因素？（6分）参考答案及详细解析一、单项选择题1.【答案】B【解析】当缺失比例较低且数据服从正态分布时，均值填充能较好地保持数据的分布特征，且计算简单。删除会损失信息，中位数通常用于偏态分布，模型预测对于少量缺失来说成本过高。2.【答案】C【解析】A选项是排名函数；B选项是按用户分组后的行号，不是累计销售额；C选项是计算累计求和，符合题意；D选项逻辑有误。3.【答案】C【解析】P值是指在原假设为真的前提下，出现当前样本或更极端样本的概率。P值越小，说明在原假设下发生当前事件的概率越小，因此越有理由拒绝原假设。4.【答案】A【解析】`isin()`是Pandas中用于判断元素是否在给定列表或Series中的高效向量化方法。B选项apply逐行处理较慢；C选项是相等判断；D选项是标签定位，逻辑错误。5.【答案】D【解析】在类别不平衡的数据集中，准确率容易被多数类主导。AUC-ROC（曲线下面积）衡量模型对正负样本的排序能力，不依赖于阈值选择，适合评估不平衡数据的模型性能。F1-Score虽然关注正类，但AUC通常更全面。6.【答案】C【解析】同比和环比只能看历史对比，无法判断是否“异常”。建立时间序列模型（如ARIMA）可以根据历史数据的趋势和季节性预测一个合理的置信区间，如果实际值落在区间外，则判定为异常。7.【答案】B【解析】随机分流是A/B测试的核心，它能消除潜在的混淆变量，确保实验组和对照组在统计上是可比的。8.【答案】C【解析】第一范式（1NF）强调原子性；第二范式（2NF）强调完全依赖；第三范式（3NF）强调消除传递依赖，即非主键列不传递依赖于主键。9.【答案】A【解析】`plt.subplot(nrows,ncols,index)`是创建子图的标准函数调用方式。C选项`subplots`返回的是fig和axes对象数组。10.【答案】D【解析】事实表主要存储外键（指向维度表）和度量值（可计算的数值，如金额、次数）。它通常包含大量记录，但列较少。11.【答案】B【解析】排序后为[1,2,3,4,5,7,9]。共7个数，中位数是第4个数，即4。12.【答案】B【解析】K-Means的目标是最小化簇内平方误差和（SSE），即最小化类内距离，使簇内样本尽可能紧密。13.【答案】B【解析】`StandardScaler`将数据标准化为均值为0，方差为1。`MinMaxScaler`归一化到[0,1]区间。14.【答案】B【解析】Pearson相关系数衡量线性关系。对于非线性关系，Spearman（秩相关）或Kendall相关系数更适合，因为它们基于排序而非具体数值。15.【答案】A【解析】在DAX（PowerBI）中，使用`IF`函数进行逻辑判断。Tableau中使用`IF`或`IIF`。在标准SQL中是`CASE`。题目未指定具体工具语言，但通常BI计算字段常用`IF`逻辑。16.【答案】B【解析】中位数对异常值不敏感，是稳健的统计量。均值极易受极端值影响。17.【答案】B【解析】`groupby`用于分组，`agg`用于聚合，传入字典可以对不同列应用不同的聚合函数。18.【答案】A【解析】留存率通常指特定群体（如某日新增用户）在后续时间点再次活跃的比例。B选项是活跃用户留存，通常称为“活跃留存”或“回访率”，但在未特指情况下，行业通用的“留存率”多指新增用户留存。19.【答案】D【解析】均方误差（MSE）是回归模型（如线性回归）常用的损失函数。决策树是分类或回归算法，分类树常用信息增益、基尼系数；回归树常用MSE，但题目未特指回归树，且MSE主要不是用于“分裂特征选择”的纯度度量指标（对于分类树而言）。在分类树中，D是干扰项。20.【答案】B【解析】幂等性是指多次执行同一操作产生的效果与执行一次相同。在数据同步或ETL中，保证脚本幂等性可以防止重复运行导致数据重复或错误。二、多项选择题1.【答案】ABC【解析】PCA、LDA、t-SNE都是常用的降维算法。缺失值填充是数据清洗，独热编码是特征编码（可能增加维度）。2.【答案】ACDE【解析】建立索引能加速查询；避免索引列上的函数运算可以使索引生效；`EXISTS`往往比`IN`效率高；连接字段类型一致可以避免隐式转换导致的性能问题。`SELECT*`会读取不必要的列，通常降低IO和网络传输效率，不利于优化。3.【答案】ABCD【解析】NumPy要求数据类型一致；支持向量化；维度固定（可通过reshape改变形状，但总元素数不变）；reshape返回视图或新数组但改变形状。E选项错误，切片返回的是视图（View），修改切片会影响原数组。4.【答案】ABCE【解析】北极星指标应具备：反映核心价值、可指导行动、先导性、易理解。D选项错误，指标应聚焦而非过多。5.【答案】ABC【解析】差分、SARIMA模型、添加季节虚拟变量都是处理季节性的标准统计方法。直接删除数据会丢失信息；移动平均是平滑趋势，可能消除季节性但不是为了分析它，而是为了降噪。三、填空题1.【答案】独立（或相互独立）2.【答案】`pd.concat`(或`join`/`merge`，但在指定按索引横向合并且不指定键时，`concat([df1,df2],axis=1)`是最直接的，此处填`pd.concat`或`concat`均可)3.【答案】R方（或判定系数/CoefficientofDetermination）4.【答案】DISTINCT5.【答案】逻辑错误（或一致性错误）6.【答案】0.057.【答案】with8.【答案】`=COUNTIF(A1:A10,">60")`9.【答案】NDCG(NormalizedDiscountedCumulativeGain)或MAP(MeanAveragePrecision)10.【答案】饼图（或环形图）四、简答题1.【答案】原因：不同特征往往具有不同的量纲或数量级（如身高1.8米，体重80kg）。如果不进行标准化，量纲较大的特征会在距离计算（如KNN、K-Means）或梯度下降（如线性回归、神经网络）中占据主导地位，导致模型收敛慢或精度下降。方法：(1)Min-Max归一化：将数据线性映射到[0,1]区间。公式：=(2)Z-Score标准化：将数据转化为均值为0，方差为1的分布。公式：=2.【答案】主要区别：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，以及右表中匹配的行。如果右表中没有匹配，则结果中右表的列显示为NULL。业务场景举例：假设有“学生表”和“成绩表”。若要查询“所有有考试成绩的学生及其成绩”，使用INNERJOIN。若要查询“所有学生名单及其成绩（包括缺考的学生，成绩显示为NULL）”，使用LEFTJOIN。3.【答案】排查思路：(1)数据校验：首先确认数据埋点是否准确，ETL任务是否正常，排除数据统计错误或延迟导致的“假下降”。(2)维度拆解：对留存率进行多维度下钻分析。按平台（iOS/Android）、渠道（应用商店/广告）、用户属性（新老客、地域、设备型号）拆解，定位是哪部分用户导致的下降。(3)技术/产品排查：若集中在特定平台或版本，可能是APP版本更新导致的Crash增加或加载变慢；检查是否有新功能上线影响了用户体验。(4)外部因素排查：检查是否有节假日效应、竞品活动或宏观经济事件影响。(5)运营活动分析：检查近期的推送策略、促销活动是否停止或变更，导致用户召回能力下降。4.【答案】定义：过拟合是指模型在训练数据上表现非常好，误差很低，但在测试数据或新数据上表现较差，泛化能力弱的现象。原因是模型学习到了训练数据中的噪声和特例，而非普遍规律。防止方法：(1)增加训练数据量。(2)使用正则化方法（如L1、L2正则化）。(3)降低模型复杂度（如减少树的深度、减少神经网络层数或神经元数）。(4)交叉验证（Cross-Validation）来评估模型真实性能。(5)早停法（EarlyStopping）。(6)特征选择，去除冗余特征。5.【答案】概念：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，通过三个指标来描述客户的价值状况。含义及意义：R(Recency)最近一次消费时间：距离上一次购买的时间间隔。R越小，用户越活跃，越有可能再次复购。F(Frequency)消费频率：用户在一段时间内购买的次数。F越大，用户忠诚度越高。M(Monetary)消费金额：用户在一段时间内消费的总金额。M越大，用户的商业价值越高。业务意义：根据RFM三个维度的得分，可以将用户分为8类或更多类（如重要价值客户、重要挽留客户、一般发展客户等），从而针对不同价值的用户制定差异化的运营策略（如对高价值客户发放VIP专属券，对流失风险用户进行召回关怀）。五、综合应用题1.【答案】(1)```sqlSELECTcity,COUNT(*)ASregister_countFROMusersWHEREYEAR(register_date)=2025GROUPBYcityORDERBYregister_countDESCLIMIT3;```(2)```sqlSELECTuser_id,SUM(amount)AStotal_amount,COUNT(order_id)AStotal_ordersFROMordersGROUPBYuser_id;```(3)```sqlSELECTo.user_id,SUM(o.amount)AStotal_amount_2026_01FROMordersoWHEREo.order_dateBETWEEN'2026-01-01'AND'2026-01-31'ANDo.user_idNOTIN(SELECTuser_idFROMordersWHEREorder_dateBETWEEN'2025-01-01'AND'2025-12-31')GROUPBYo.user_id;```2.【答案】```pythonimportpandasaspdimportmatplotlib.pyplotasplt#(1)读取数据并转换日期格式df=pd.read_csv('sales_data.csv')df['Date']=pd.to_datetime(df['Date'])#(2)筛选亏损销售记录并计算比例loss_records=df[(df['Sales']