2025年大数据分析师初级职称考试试题集

2025年大数据分析师初级职称考试试题集一、单项选择题（共20题，每题1分，共20分。每题的备选项中，只有1个最符合题意）1.下列选项中，不属于Gartner提出的大数据经典4V特征的是（）A.VolumeB.VelocityC.VeracityD.Variety2.下列数据类型中，属于半结构化数据的是（）A.MySQL数据库中的用户订单表B.JSON格式的系统日志数据C.高清监控视频文件D.Excel中的员工薪资统计表3.某销售数据表包含“区域”“订单金额”等字段，要统计华东区域所有订单的总金额，应使用的Excel函数是（）A.SUMB.SUMIFC.COUNTIFD.VLOOKUP4.要从user表中查询年龄在20到30岁（含20岁、30岁）的用户姓名，正确的WHERE子句是（）A.WHEREage>20ANDage<30B.WHEREageBETWEEN20AND30C.WHERE20<age<30D.WHEREageIN(20,30)5.已知一组数据为：3,5,5,7,10,12,15，该组数据的中位数和众数分别是（）A.7和5B.5和7C.7和7D.6和56.下列数据处理方法中，不属于缺失值处理方法的是（）A.均值填充B.删除缺失记录C.哑变量转换D.相邻值插补7.要展示某企业近5年营业收入的变化趋势，最适合的图表类型是（）A.饼图B.折线图C.散点图D.箱线图8.在Python的pandas库中，用于读取CSV格式数据文件的函数是（）A.read_excelB.read_csvC.to_csvD.read_sql9.下列抽样方法中，属于概率抽样的是（）A.方便抽样B.判断抽样C.分层抽样D.滚雪球抽样10.根据《中华人民共和国个人信息保护法》，下列不属于敏感个人信息的是（）A.生物识别信息B.宗教信仰信息C.工作单位信息D.医疗健康信息11.基于正态分布的3σ异常值识别原则中，通常将偏离均值的标准差倍数超过多少的数据判定为异常值（）A.1倍B.2倍C.3倍D.4倍12.下列SQL聚合函数中，用于统计表中记录行数的是（）A.SUMB.COUNTC.AVGD.MAX13.将原始数据缩放至[0,1]区间的标准化方法是（）A.min-max标准化B.Z-score标准化C.小数定标标准化D.对数转换标准化14.在Excel数据透视表中，用于设置行维度分类字段的区域是（）A.值区域B.行区域C.列区域D.筛选器区域15.皮尔逊相关系数的取值范围是（）A.[0,1]B.[-1,1]C.[0,+∞)D.(-∞,+∞)16.下列属于分布式文件存储系统的是（）A.MySQLB.HDFSC.RedisD.MongoDB17.在Python的numpy库中，用于生成元素全为0的数组的函数是（）A.onesB.zerosC.arangeD.array18.下列工作内容中，不属于数据清洗范畴的是（）A.去除重复记录B.修正逻辑错误数据C.补充缺失值D.制作可视化报表19.电商平台“客单价”指标的正确计算公式是（）A.销售总额/订单总数B.销售总额/活跃用户总数C.订单总数/用户总数D.销售毛利/销售总额20.下列数据处理操作中，属于数据脱敏方法的是（）A.数据备份B.数据加密C.手机号中间4位替换为*D.数据压缩二、多项选择题（共10题，每题2分，共20分。每题的备选项中，有2个或2个以上符合题意，至少有1个错项。错选不得分；少选，所选的每个选项得0.5分）1.下列数据类型中，属于非结构化数据的有（）A.微信聊天语音B.PDF格式的合同文档C.Redis中的键值缓存数据D.监控摄像头的视频录像E.Oracle数据库的产品信息表2.下列Excel函数中，属于查找与引用类函数的有（）A.VLOOKUPB.HLOOKUPC.INDEXD.MATCHE.SUMIFS3.下列SQL关键字中，属于数据查询语言（DQL）范畴的有（）A.SELECTB.WHEREC.INSERTD.GROUPBYE.UPDATE4.下列统计指标中，属于描述性统计范畴的有（）A.均值B.中位数C.假设检验P值D.标准差E.皮尔逊相关系数5.数据预处理的核心环节包括（）A.数据清洗B.数据集成C.数据变换D.数据规约E.数据可视化6.下列图表类型中，适合展示数据构成占比的有（）A.饼图B.环形图C.堆叠柱状图D.雷达图E.热力图7.下列Python库中，属于数据分析常用工具库的有（）A.pandasB.numpyC.matplotlibD.flaskE.scikit-learn8.下列抽样方法中，属于非概率抽样的有（）A.简单随机抽样B.方便抽样C.判断抽样D.整群抽样E.配额抽样9.根据《中华人民共和国数据安全法》，我国数据安全保护等级分为（）A.一般数据B.重要数据C.核心数据D.敏感数据E.公开数据10.下列能力要求中，属于初级大数据分析师必备核心能力的有（）A.独立完成数据采集与清洗B.使用常用工具开展描述性分析C.独立设计复杂深度学习模型D.制作规范的数据分析报告E.制定企业级数据战略规划三、判断题（共15题，每题1分，共15分。正确的打“√”，错误的打“×”）1.大数据的价值密度与数据量呈正相关，数据量越大，价值密度越高。（）2.Excel中VLOOKUP函数的第四个参数为FALSE时，表示执行精确匹配。（）3.SQL中ORDERBY子句的默认排序方式为降序（DESC）。（）4.中位数不受极端值影响，适合描述偏态分布数据的集中趋势。（）5.散点图可直观展示两个连续变量之间的相关关系。（）6.pandas库中dropna()函数的作用是填充数据中的缺失值。（）7.分层抽样的抽样误差通常小于同等样本量下的简单随机抽样误差。（）8.数据标准化的核心目的是消除不同变量的量纲差异，提升数据可比性。（）9.饼图适合展示多类别数据的数值大小对比。（）10.根据《个人信息保护法》，处理所有个人信息都必须取得自然人的明示同意。（）11.Hive是基于Hadoop的数据仓库工具，可将结构化数据文件映射为数据库表并提供SQL查询功能。（）12.数据集的标准差越大，说明数据的离散程度越小。（）13.Excel数据透视表的值区域仅支持求和一种计算方式。（）14.两个变量的皮尔逊相关系数为0，说明两个变量之间不存在任何关联关系。（）15.数据脱敏是通过规则对敏感信息进行变形，实现隐私数据保护的技术手段。（）四、简答题（共3题，每题7分，共21分。要求观点明确，条理清晰，表述简洁）1.请简述数据清洗的主要内容及对应常用方法。2.请列举至少5种常用数据可视化图表类型，并说明各自的核心适用场景。3.请简述初级大数据分析师应遵守的核心数据伦理规范。五、实操分析题（共2题，第1题10分，第2题14分，共24分。要求写出操作步骤、函数公式或SQL语句，逻辑清晰，表述准确）1.某零售企业2024年10月销售数据存储在Excel工作表“销售表”中，包含字段：订单编号（文本型）、销售日期（日期型）、区域（文本型，可选值：华东/华北/华南/西南）、产品类别（文本型，可选值：食品/日用品/电器）、销售额（数值型，单位：元）、销售人员（文本型）。请按要求完成以下操作，写出对应函数公式或操作步骤：（1）统计华北区域电器类产品的总销售额，要求使用SUMIFS函数实现，写出完整函数公式。（3分）（2）快速提取销售额排名前3的订单编号和销售额，简述可使用的Excel功能及操作步骤。（3分）（3）制作数据透视表，展示各区域不同产品类别的销售额汇总情况，简述操作步骤。（4分）2.某电商平台数据库包含两张核心表，表结构如下：用户表（users）：user_id（用户ID，INT，主键）、user_name（用户名，VARCHAR）、age（年龄，INT）、city（所在城市，VARCHAR）、register_time（注册时间，DATETIME）订单表（orders）：order_id（订单ID，INT，主键）、user_id（用户ID，INT，外键关联users表user_id）、order_amount（订单金额，DECIMAL(10,2)）、order_time（下单时间，DATETIME）、order_status（订单状态，INT，1=待付款，2=已付款，3=已完成，4=已取消）请按要求写出对应的SQL查询语句：（1）查询2024年注册、年龄在25-35岁（含两端）的用户ID、用户名和所在城市。（4分）（2）统计每个城市的已完成订单总金额，结果按总金额从高到低排序，返回城市名称和总金额（总金额列别名设为total_amount）。（5分）（3）查询从未产生过任何订单的用户ID和用户名。（5分）参考答案及解析一、单项选择题1.答案：C解析：Gartner提出的大数据经典4V特征包括Volume（数据量大）、Velocity（处理速度快）、Variety（数据类型多）、Value（价值密度低）。Veracity（真实性）是大数据5V扩展特征，不属于经典4V范畴。2.答案：B解析：半结构化数据具有一定的结构标识但模式不固定，典型代表为JSON、XML、HTML格式数据。A、D属于结构化数据，C属于非结构化数据。3.答案：B解析：SUMIF函数用于单条件求和，可根据“区域”列的“华东”条件对“订单金额”列求和。SUM为无条件求和，COUNTIF为条件计数，VLOOKUP为纵向查找函数。4.答案：B解析：BETWEEN...AND...用于指定闭区间范围，包含两端值，符合题意。A为开区间（不含20和30），C不符合SQL语法规范，IN为枚举匹配，仅匹配20和30两个值。5.答案：A解析：数据已按升序排列，共7个值，中位数为第4位的7；众数为出现次数最多的数值5。6.答案：C解析：哑变量转换是分类变量编码的方法，用于将分类变量转换为可用于模型计算的数值型变量，不属于缺失值处理方法。7.答案：B解析：折线图通过连续折线展示数据随时间或有序类别变化的趋势，适合展示时间序列数据的波动规律。饼图用于展示占比，散点图用于展示相关性，箱线图用于展示数据分布。8.答案：B解析：read_csv是pandas中读取CSV文件的专用函数，read_excel用于读取Excel文件，to_csv用于导出CSV文件，read_sql用于读取数据库查询结果。9.答案：C解析：概率抽样是按照随机原则抽取样本，包括简单随机抽样、分层抽样、整群抽样、系统抽样等。方便抽样、判断抽样、滚雪球抽样均属于非概率抽样。10.答案：C解析：敏感个人信息是指一旦泄露或非法使用，易导致自然人人格尊严受损或人身、财产安全受危害的信息，包括生物识别、宗教信仰、特定身份、医疗健康、金融账户、行踪轨迹等。工作单位属于一般个人信息范畴。11.答案：C解析：3σ原则基于正态分布特征，认为99.73%的数据会落在均值±3倍标准差范围内，超出该范围的数据被判定为异常值。12.答案：B解析：COUNT函数用于统计符合条件的记录行数，SUM用于求和，AVG用于求平均值，MAX用于求最大值。13.答案：A解析：min-max标准化（离差标准化）通过线性变换将原始数据映射到[0,1]区间，公式为(x-min)/(max-min)。Z-score标准化将数据转换为均值为0、标准差为1的分布，取值范围无固定区间。14.答案：B解析：行区域用于放置行维度分类字段，每一行对应一个分类值；列区域用于放置列维度分类字段；值区域用于放置需计算的数值字段；筛选器区域用于设置全局筛选条件。15.答案：B解析：皮尔逊相关系数衡量两个变量的线性相关程度，取值范围为[-1,1]，绝对值越接近1表示线性相关性越强，正值为正相关，负值为负相关。16.答案：B解析：HDFS（HadoopDistributedFileSystem）是ApacheHadoop生态的分布式文件存储系统，用于存储海量非结构化/半结构化数据。MySQL是关系型数据库，Redis是内存键值数据库，MongoDB是文档型非关系数据库。17.答案：B解析：zeros函数用于生成指定形状的全0数组，ones用于生成全1数组，arange用于生成等差序列数组，array用于将列表等对象转换为数组。18.答案：D解析：数据清洗是对原始数据中的错误、缺失、重复、异常等问题进行修正处理的过程，制作可视化报表属于数据分析与展示环节，不属于数据清洗范畴。19.答案：A解析：客单价是指平均每笔订单的成交金额，计算公式为销售总额/订单总数。B为用户平均收入（ARPU），C为人均订单数，D为销售毛利率。20.答案：C解析：数据脱敏是对敏感信息进行变形处理，实现隐私保护，手机号中间4位替换为*是典型的掩码脱敏方法。数据备份是数据容灾手段，数据加密是数据安全传输/存储手段，数据压缩是提升存储效率的手段，均不属于脱敏范畴。二、多项选择题1.答案：ABD解析：非结构化数据无固定数据结构，无需预先定义数据模式，典型包括音频、视频、图片、PDF/Word文档等。C属于半结构化数据，E属于结构化数据。2.答案：ABCD解析：VLOOKUP、HLOOKUP、INDEX、MATCH均属于查找与引用类函数，SUMIFS属于数学与三角函数类的多条件求和函数。3.答案：ABD解析：数据查询语言（DQL）核心是SELECT查询语句，WHERE、GROUPBY、ORDERBY等均为SELECT语句的子句，属于DQL范畴。INSERT、UPDATE属于数据操纵语言（DML）范畴。4.答案：ABDE解析：描述性统计用于汇总、描述数据集的基本特征，包括集中趋势、离散程度、相关关系等指标。假设检验P值属于推断统计范畴，用于基于样本推断总体特征。5.答案：ABCD解析：数据预处理是数据分析前的核心准备环节，包括数据清洗、数据集成、数据变换、数据规约四大核心环节。数据可视化属于数据分析与展示环节。6.答案：ABC解析：饼图、环形图用于展示单一维度的整体构成占比；堆叠柱状图可同时展示不同类别下的内部结构占比。雷达图用于多维度指标综合对比，热力图用于展示矩阵数据的数值密度。7.答案：ABCE解析：pandas用于数据处理与分析，numpy用于数值计算，matplotlib用于数据可视化，scikit-learn用于机器学习建模，均为数据分析常用库。flask是PythonWeb开发框架，不属于数据分析工具库。8.答案：BCE解析：非概率抽样不遵循随机原则，由研究者根据主观判断或便捷性抽取样本，包括方便抽样、判断抽样、配额抽样、滚雪球抽样等。简单随机抽样、整群抽样属于概率抽样。9.答案：ABC解析：《数据安全法》明确我国实行数据分类分级保护制度，按数据重要程度及危害程度将数据分为一般数据、重要数据、核心数据三级，核心数据实行最严格的保护制度。10.答案：ABD解析：初级大数据分析师需具备基础数据处理、描述性分析、报告输出能力，复杂模型设计、企业级数据战略规划属于中高级大数据分析师的能力要求。三、判断题1.答案：×解析：大数据价值密度低，数据量与价值密度通常呈负相关，例如海量监控视频中，有效信息可能仅占几秒钟。2.答案：√解析：VLOOKUP函数语法为VLOOKUP(查找值,查找区域,返回列数,匹配类型)，第四个参数为FALSE时执行精确匹配，为TRUE时执行近似匹配。3.答案：×解析：SQL中ORDERBY子句默认排序方式为升序（ASC），需降序排列时需指定DESC关键字。4.答案：√解析：中位数是位置代表值，仅与数据排序后的中间位置数值有关，不受极端值影响，因此比均值更适合描述偏态分布数据的集中趋势。5.答案：√解析：散点图以点的位置反映两个连续变量的取值，可直观展示变量间的相关方向和相关程度。6.答案：×解析：dropna()函数的作用是删除包含缺失值的行或列，fillna()函数才是用于填充缺失值。7.答案：√解析：分层抽样将总体按特征划分为若干层，层内差异小、层间差异大，样本代表性更强，因此抽样误差通常小于同等样本量的简单随机抽样。8.答案：√解析：不同变量的量纲、数值范围差异较大时无法直接对比或用于模型计算，数据标准化通过线性变换消除量纲差异，提升数据可比性。9.答案：×解析：饼图适合展示单一维度的构成占比，柱状图更适合展示多类别数据的数值大小对比。10.答案：×解析：《个人信息保护法》规定了处理个人信息的合法情形，除取得个人同意外，为履行法定职责、应对突发公共卫生事件、维护自然人生命财产安全等法定情形下，可无需取得个人同意处理个人信息。11.答案：√解析：Hive是Hadoop生态的分布式数据仓库工具，支持将结构化数据文件映射为表，提供类SQL的HiveQL查询功能，底层基于MapReduce或Spark执行计算。12.答案：×解析：标准差是衡量数据离散程度的核心指标，标准差越大，说明数据的离散程度越大。13.答案：×解析：数据透视表的值区域支持多种计算方式，包括求和、计数、平均值、最大值、最小值、方差等，可根据需求灵活设置。14.答案：×解析：皮尔逊相关系数仅衡量变量间的线性相关程度，系数为0仅说明不存在线性相关关系，可能存在非线性相关关系。15.答案：√解析：数据脱敏通过掩码、替换、加密变形等规则对敏感信息进行处理，在保证数据可用性的前提下实现敏感隐私数据的保护。四、简答题1.参考答案：数据清洗是对原始数据中存在的质量问题进行修正处理的过程，是数据预处理的核心环节，主要内容及方法如下：（1）缺失值处理：①删除法：直接删除缺失占比极低的记录或字段，适用于缺失对样本代表性无明显影响的场景；②填充法：包括均值/中位数/众数填充、固定值填充、相邻值填充、模型预测填充等，适用于缺失占比不高且数据有规律的场景；③保留法：将缺失值作为单独类别处理，适用于分类变量缺失的场景。（2分）（2）重复值处理：通过主键或多字段组合识别重复记录，通常采用直接删除法保留唯一值，保证数据唯一性。（1分）（3）错误值处理：对录入错误、格式错误、逻辑矛盾的数据进行修正，通过格式校验修正日期、数值格式问题，通过业务规则校验修正逻辑矛盾数据。（1分）（4）异常值处理：①识别方法：包括3σ原则、箱线图四分位距法、业务规则判断法、聚类法等；②处理方法：包括删除异常值、修正异常值、单独分析异常值、分位数替换等，需结合业务判断异常值是否为有效数据。（2分）（5）一致性处理：统一数据的格式、编码、度量单位、统计口径等，确保同一指标的表述规范一致。（1分）2.参考答案：常用数据可视化图表类型及适用场景如下：（1）柱状图：适用于不同类别数据的数值对比，如不同区域销售额对比、不同产品销量排名，堆叠柱状图还可展示各分类的内部结构占比。（1分）（2）折线图：适用于展示时间序列数据的变化趋势，如近12个月营收波动、日活用户变化趋势，可同时绘制多条折线对比多组序列的差异。（1分）（3）饼图/环形图：适用于展示单一维度的构成占比，如不同产品营收占比、不同渠道用户占比，类别数量建议控制在6类以内以保证可读性。（1分）（4）散点图：适用于展示两个连续变量的相关关系，如用户浏览时长与消费金额的相关性、广告投放量与转化量的相关性，可通过趋势线强化相关性展示。（1分）（5）箱线图：适用于展示数据的分布特征及异常值，如不同类别用户消费分布对比、不同批次产品质量指标波动，可直观呈现中位数、四分位数、异常值等统计量。（1分）（6）热力图：适用于展示矩阵数据的数值密度，如不同时段不同区域的用户活跃度分布、网页点击热力分布，通过颜色深浅直观反映数值高低。（1分）（答出5种及以上即可得满分，每少1种扣1分，表述不准确酌情扣分）3.参考答案：初级大数据分析师应遵守的核心数据伦理规范包括：（1）合法合规：严格遵守《数据安全法》《个人信息保护法》等法律法规，数据采集、存储、使用、传输等活动需符合法定要求或取得合法授权，不得非法处理个人信息和重要数据。（2分）（2）客观公正：确保数据来源可靠、处理过程规范，不得篡改、伪造数据，分析结论需基于客观数据事实，不得为迎合特定需求扭曲数据或误导结论，保证分析结果的公正性。（2分）（3）数据安全：严格遵守数据安全管理制度，妥善保管接触到的数据，不得违规泄露、倒卖、共享敏感数据，工作中采取脱敏、权限管控等必要措施防止数据泄露，符合数据分级保护要求。（2分）（4）隐私保护：处理个人信息遵循最小必要原则，仅采集分析必需的最少数据，对敏感个人信息必须进行脱敏处理，不得过度收集或滥用个人信息，尊重自然人隐私权益。（1分）五、实操分析题1.参考答案：（1）SUMIFS函数公式：=SUMIFS(E:E,C:C,"华北",D:D,"电器")（3分，参数顺序错误扣1分，区域引用错误扣1分，条件值错误扣1分）解析：SUMIFS函数语法为SUMIFS(求和区域,条件区域1,条件1,条件区域2,条件2...)，本题求和区域为销售额列（E列），第一个条件区域为区域列（C列）、条件为“华北”，第二个条件区域为产品类别列（D列）、条件为“电器”。（2）操作方法（以排序功能为例）：①选中“销售额”列任意数据单元格，点击顶部菜单栏“数据”选项卡中的“降序”按钮，将整张表按销售额从高到低排序；②排序后前3行对应的“订单编号”和“销售额”列即为排名前3的订单信息。（3分，回答使用LARGE+INDEX/MATCH函数组合且公式正确的同样得分，步骤不完整酌情扣分）（3）数据透视表操作步骤：①选中“销售表”中任意有数据的单元格，点击“插入”选项卡中的“数据透视表”按钮；②