DS数据科学基础测试题（含详细答案）

DS数据科学基础测试题（含详细答案）本次测试题适用于数据科学入门考核，涵盖统计学基础、数据处理、数据分析、机器学习基础、业务落地思维等核心内容，题型包含选择题、填空题、简答题、计算题，总分100分，答题时间90分钟。题目贴合实际工作场景，侧重实操与理解，无偏题、怪题。一、单项选择题（共10题，每题3分，共30分）1.下列指标中，最能反映一组数据离散程度的是（）A.均值B.中位数C.方差D.众数2.在数据清洗过程中，对于连续型数值的异常值，最常用且稳健的处理方式是（）A.直接删除所有异常值B.均值填充C.四分位数截断处理D.随机填充3.相关性分析中，皮尔逊相关系数r=-0.92，说明两个变量的关系是（）A.高度正相关B.高度负相关C.微弱负相关D.无相关性4.以下不属于无监督学习算法的是（）A.K-MeansB.层次聚类C.逻辑回归D.DBSCAN5.针对分类模型，精准率（Precision）的核心含义是（）A.所有正样本中被预测正确的比例B.预测为正的样本中真实为正的比例C.所有样本预测正确的比例D.负样本被预测正确的比例6.数据分析中，用于判断两组数据是否存在显著差异的常用检验方法是（）A.正态性检验B.T检验C.卡方检验D.单位根检验7.下列关于缺失值的说法，错误的是（）A.缺失值分为随机缺失、非随机缺失、完全随机缺失B.高缺失率的特征可直接删除，减少数据干扰C.分类数据缺失只能用众数填充，无其他处理方式D.部分场景下，缺失本身可作为有效特征8.决策树模型中，用于衡量节点纯度的指标是（）A.学习率B.基尼系数C.正则化系数D.梯度值9.时间序列数据中，不属于数据核心组成成分的是（）A.趋势成分B.季节成分C.随机扰动成分D.归一化成分10.下列场景中，适合使用回归分析的是（）A.将用户分为高、中、低价值群体B.预测未来月度销售额数值C.判断用户是否流失D.识别数据异常样本二、填空题（共5题，每题2分，共10分）1.数据分布不对称、存在极端极值时，________比均值更能代表数据的整体水平。2.机器学习中，模型在训练集表现优异、在测试集表现极差的现象称为________。3.卡方检验主要用于分析________类型数据之间的关联性。4.特征缩放的两种常用方法是归一化和________。5.A/B测试的核心目的是通过________数据对比，验证策略优化的有效性。三、简答题（共4题，每题8分，共32分）1.简述数据分析中，均值、中位数、众数的适用场景区别。2.简述过拟合产生的常见原因，以及对应的解决办法。3.精准率和召回率在业务场景中如何取舍？请举例说明。4.简述K-Means聚类算法的核心步骤，以及算法的优缺点。四、计算题（共2题，每题14分，共28分）1.现有一组用户消费数据：[120,150,90,200,130,150,80,150]，请计算该组数据的均值、中位数、众数。2.某二分类模型测试结果：真正例TP=85，假正例FP=15，真负例TN=90，假负例FN=10。请计算模型的精准率、召回率、准确率。参考答案（详细解析）一、单项选择题答案及解析1.答案：C解析：均值、中位数、众数均为描述数据集中趋势的指标，方差、标准差、极差用于反映数据离散、波动程度。2.答案：C解析：直接删除异常值会丢失有效数据，均值填充易受极值干扰，随机填充无数据依据；四分位数（IQR）截断是业界通用的稳健异常值处理方式，可保留合理数据、剔除极端干扰值。3.答案：B解析：皮尔逊相关系数取值范围为[-1,1]，绝对值越接近1相关性越强；负数代表负相关，正数代表正相关，-0.92属于高度负相关。4.答案：C解析：逻辑回归是经典的有监督二分类算法，需要标注训练数据；K-Means、层次聚类、DBSCAN均为无监督聚类算法，无需数据标注。5.答案：B解析：精准率=TP/(TP+FP)，含义是模型预测为正的所有样本中，真实标签确实为正的样本占比；A选项为召回率定义，C选项为准确率定义。6.答案：B解析：T检验用于两组连续型数据的均值差异显著性检验；卡方检验用于分类数据关联性检验，正态性检验用于判断数据分布类型，单位根检验用于时间序列平稳性检验。7.答案：C解析：分类数据缺失值除众数填充外，还可采用新增缺失类别、模型预测填充、条件填充等方式，并非只有众数填充一种方法。8.答案：B解析：决策树通过基尼系数、信息熵、信息增益衡量节点纯度，数值越小代表节点数据纯度越高，分类效果越好。9.答案：D解析：时间序列核心成分为趋势、季节、随机扰动、周期成分，归一化是数据预处理手段，不属于时间序列固有成分。10.答案：B解析：回归分析用于预测连续型数值，预测销售额属于数值预测；用户分群用聚类、流失判断用分类、异常识别用异常检测算法。二、填空题答案及解析1.中位数解析：中位数不受极端极值影响，偏态分布数据中比均值更具代表性。2.过拟合解析：过拟合指模型过度学习训练集噪声数据，泛化能力差，训练集精度高、测试集精度低。3.分类（离散）解析：卡方检验适配性别、品类、渠道等离散分类变量的关联性、独立性检验。4.标准化解析：归一化将数据缩至[0,1]区间，标准化将数据转化为均值为0、方差为1的标准分布，是两大核心特征缩放方式。5.对照实验解析：A/B测试通过设置实验组和对照组，控制单一变量，对比数据差异验证优化效果。三、简答题详细答案1.均值、中位数、众数适用场景区别①均值：适用于数据分布均匀、无极端极值的正态分布数据，能够充分利用所有数据信息，精准反映整体平均水平，比如正常场景下的用户日均访问时长、商品平均售价。②中位数：适用于数据存在极端极值、分布偏态的场景，不受最大值、最小值干扰，能客观反映中间水平，比如居民收入、用户消费金额（少数高消费用户会拉高均值，中位数更贴合大众水平）。③众数：适用于分类数据或离散数据，用于反映数据中出现频率最高的数值/类别，比如用户最偏好的商品品类、最常用的支付方式。2.过拟合的原因及解决办法常见原因：一是训练样本数量过少，数据量不足以支撑模型学习通用规律；二是模型复杂度过高，远超数据本身的复杂度；三是训练数据存在大量噪声、错误样本；四是训练轮次过多，模型过度拟合训练集细节。解决办法：①增加高质量训练数据，扩充样本量；②降低模型复杂度，简化模型结构；③加入正则化约束（L1、L2正则），抑制参数过拟合；④提前终止训练，避免过度迭代；⑤采用交叉验证，筛选最优模型参数。3.精准率和召回率的业务取舍逻辑精准率侧重「预测正确的样本占比」，追求预测结果尽可能准确，减少误判；召回率侧重「尽可能找出所有正样本」，减少漏判，二者此消彼长。①优先选精准率：适用于误判成本极高的场景。例如金融风控欺诈识别，误将正常用户判定为欺诈（FP），会影响用户体验、造成投诉，因此需要保证预测为欺诈的用户一定是高风险用户，优先提升精准率。②优先选召回率：适用于漏判成本极高的场景。例如用户流失预警、故障检测，漏判流失用户（FN）会导致错失挽回机会，设备故障漏判会造成损失，因此需要尽可能找出所有潜在正样本，优先提升召回率。4.K-Means聚类核心步骤及优缺点核心步骤：①人为设定聚类数量K；②随机选取K个样本作为初始聚类中心；③计算所有样本到各个聚类中心的距离，将样本划分至距离最近的簇；④重新计算每个簇的均值，更新聚类中心；⑤重复迭代三四步骤，直至聚类中心不再变化或达到最大迭代次数，聚类结束。优点：算法逻辑简单、运算速度快、时间复杂度低，适配大规模数据集，聚类效果直观易懂。缺点：需要人工指定K值，K值选择不当会严重影响结果；对初始聚类中心敏感，不同初始值可能得到不同聚类结果；对异常值、噪声数据敏感，仅适用于球状分布的数据，无法适配非球状、不规则分布数据。四、计算题详细答案1.消费数据统计计算原始数据：[120,150,90,200,130,150,80,150]排序后数据：[80,90,120,130,150,150,150,200]①均值：总和÷样本数量=(80+90+120+130+150+150+150+200)÷8=1070÷8=133.75②中位数：样本数为偶数，取中间两个数平均值=(130+150)÷2=140③众数：出现次数最多的数值，150出现3次，为最高频次，众数为1502.模型指标计算已知：TP=85，FP=15，TN=90，FN=10①精准率Precision=TP/(TP+FP)=85/(85+15)=85/100=85%②召回率Recall=TP/(TP+FN)=85/(85+10)=85/95≈89.47%③准确率Accuracy=(TP+TN)/(TP+FP+TN+FN)=(85+90)/(85+15+