2026年数据科学与分析考试试题及答案

2026年数据科学与分析考试试题及答案一、单项选择题（每题2分，共20分）1.对于存在少量缺失值的连续型数值特征，且数据分布近似正态，以下哪种缺失值填充方法最合理？A.直接删除缺失样本B.用该特征的均值填充C.用该特征的众数填充D.用0值填充2.下列算法中，属于无监督学习的是？A.逻辑回归B.K-Means聚类C.随机森林分类D.梯度提升回归3.要展示某地区近10年GDP的变化趋势，最适合的图表类型是？A.饼图B.散点图C.折线图D.箱线图4.假设检验中，显著性水平α表示的是？A.原假设为真时拒绝原假设的概率B.原假设为假时接受原假设的概率C.原假设为真时接受原假设的概率D.原假设为假时拒绝原假设的概率5.下列哪种特征变换方法可以将数据映射到均值为0、方差为1的分布？A.最小-最大缩放B.标准化（Z-score标准化）C.归一化D.对数变换6.在二分类问题中，若样本极度不平衡（正例占1%），以下哪个评估指标最不适合作为模型性能的衡量标准？A.AUC值B.F1分数C.准确率（Accuracy）D.召回率（Recall）7.在SQL中，要对分组后的聚合结果进行条件筛选，应使用的关键字是？A.WHEREB.HAVINGC.GROUPBYD.ORDERBY8.下列哪种方法不能有效缓解机器学习模型的过拟合问题？A.增加训练样本量B.降低模型复杂度C.加入正则化项D.增加特征维度9.两个连续变量的Pearson相关系数为-0.9，说明两者之间？A.几乎没有线性相关性B.存在较强的正线性相关C.存在较强的负线性相关D.存在因果关系10.以下哪种行为符合数据科学伦理规范？A.未经用户同意采集其个人敏感数据用于模型训练B.对包含个人身份信息的数据进行脱敏处理后再分析C.刻意修改分析结果以迎合业务方的预期D.将企业内部涉密数据公开到个人开源平台二、多项选择题（每题3分，共15分，多选、少选、错选均不得分）1.数据预处理的主要任务包括以下哪些？A.数据清洗B.数据集成C.数据变换D.数据可视化E.数据归约2.下列属于监督学习算法的有？A.决策树B.主成分分析（PCA）C.支持向量机D.K近邻（KNN）E.关联规则挖掘3.以下哪些指标可用于评估二分类模型的性能？A.准确率B.均方误差C.精确率D.召回率E.轮廓系数4.下列属于分布式大数据处理框架的有？A.HadoopMapReduceB.SparkC.PandasD.FlinkE.NumPy5.数据降维的主要作用包括以下哪些？A.减少数据存储和计算开销B.去除噪声信息C.便于数据可视化D.提升模型的拟合能力E.缓解维度灾难三、判断题（每题1分，共10分）1.数据科学的研究对象仅包括结构化数据，不包含非结构化数据。2.标准差可以反映一组数据的离散程度，标准差越大说明数据越分散。3.在机器学习中，测试集可以参与模型的训练过程，以提升模型效果。4.散点图可以直观展示两个连续变量之间的相关关系。5.缺失值填充中，KNN填充法是利用缺失样本的K个最近邻样本的特征值进行填充。6.决策树模型只能用于分类问题，不能用于回归问题。7.两个变量的相关系数绝对值越大，说明两者之间的因果关系越强。8.SQL中，LEFTJOIN会返回左表的全部记录，即使右表中没有匹配的记录。9.主成分分析（PCA）通过线性变换将高维数据映射到低维空间，且保留的主成分之间相互正交。10.公平性是数据科学伦理的重要要求，即模型对不同群体的预测表现不应存在显著差异。四、简答题（每题5分，共20分）1.请简述数据科学的基本工作流程。2.请说明过拟合的定义及常用的缓解方法（至少列举3种）。3.请简述K-Means聚类算法的基本步骤。4.请列举3种常用的数据可视化图表，并分别说明其适用场景。五、计算分析题（每题10分，共20分）1.某二分类模型对100个测试样本的预测结果如下：实际为正例的样本有40个，其中32个被预测为正例；实际为负例的样本有60个，其中54个被预测为负例。请计算该模型的准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数。（要求写出计算公式与过程，结果保留三位小数）$$\text{Accuracy}=\frac{TP+TN}{TP+TN+FP+FN}=\frac{32+54}{100}=0.860$$（2.5分）

(2)精确率：预测为正例的样本中实际为正例的比例

$$\text{Precision}=\frac{TP}{TP+FP}=\frac{32}{32+6}\approx0.842$$（2.5分）

(3)召回率：实际为正例的样本中被正确预测的比例

$$\text{Recall}=\frac{TP}{TP+FN}=\frac{32}{40}=0.800$$（2.5分）

(4)F1分数：精确率与召回率的调和平均数，用于平衡两者的评估

$$F1=\frac{2\times\text{Precision}\times\text{Recall}}{\text{Precision}+\text{Recall}}=\frac{2\times0.842\times0.800}{0.842+0.800}\approx0.821$$（2.5分）

**解析**：本题核心是混淆矩阵的指标定义，需注意精确率与召回率的分子分母差异，避免混淆；F1分数更适合样本不平衡场景下的模型评估。

2.已知某商品的广告投入$x$（单位：万元）与销售额$y$（单位：万元）的5组样本数据如下表：

|$x$|1|2|3|4|5|

|-----|---|---|---|---|---|

|$y$|6|10|12|16|21|

假设两者满足一元线性回归关系$y=\beta_0+\beta_1x+\epsilon$，请用最小二乘法估计回归系数$\beta_1$和截距$\beta_0$。（要求写出计算公式与过程，结果保留两位小数）

**答案**：

一元线性回归的最小二乘估计公式为：

$$\beta_1=\frac{n\sum_{i=1}^nx_iy_i-\sum_{i=1}^nx_i\sum_{i=1}^ny_i}{n\sum_{i=1}^nx_i^2-\left(\sum_{i=1}^nx_i\right)^2}$$$$\beta_0=\bar{y}-\beta_1\bar{x}$$（2分）

根据样本数据计算各求和项（样本量$n=5$）：

$\sum_{i=1}^5x_i=1+2+3+4+5=15$

$\sum_{i=1}^5y_i=6+10+12+16+21=65$

$\sum_{i=1}^5x_iy_i=1\times6+2\times10+3\times12+4\times16+5\times21=231$

$\sum_{i=1}^5x_i^2=1^2+2^2+3^2+4^2+5^2=55$（3分）

(1)回归系数$\beta_1$：

$$\beta_1=\frac{5\times231-15\times65}{5\times55-15^2}=\frac{1155-975}{275-225}=\frac{180}{50}=3.60$$（3分）

(2)截距$\beta_0$：

样本均值$\bar{x}=\frac{15}{5}=3$，$\bar{y}=\frac{65}{5}=13$

$$\beta_0=13-3.60\times3=2.20$$（2分）

最终回归方程为：$\hat{y}=2.20+3.60x$

**解析**：最小二乘法的核心思想是最小化残差平方和，推导得出的回归系数公式需注意分子分母的结构，避免与Pearson相关系数公式混淆。

##六、案例分析题（共15分）

某电商平台近期用户流失率持续上升，业务部门希望通过数据科学方法构建用户流失预测模型，识别高流失风险用户，并制定针对性的挽留策略。请结合你的知识回答以下问题：

(1)你会从哪些维度提取用于流失预测的特征？请至少列举3个维度并举例说明。（6分）

(2)构建流失预测模型时，通常存在样本不平衡问题（流失用户占比远低于未流失用户），你会采用哪些方法应对该问题？（5分）

(3)模型上线部署后，你会从哪些方面监控模型的运行效果与业务价值？（4分）

**答案**：

(1)可从以下维度提取特征（任选3个维度，每个维度2分，共6分）：

①用户行为特征：如近30天登录次数、浏览时长、下单频次、最近一次购买间隔（RFM指标）、页面跳转深度等，反映用户的活跃程度与消费习惯；

②用户属性特征：如注册时长、年龄、性别、地域、会员等级、消费能力标签等，反映用户的基础属性差异；

③交易特征：如累计消费金额、客单价、退款率、优惠券使用率、支付方式偏好等，反映用户的交易行为与价值水平；

④交互特征：如客服咨询次数、投诉次数、活动参与率、商品收藏/加购数量等，反映用户与平台的互动程度；

⑤外部环境特征：如竞品促销周期、节假日因素、行业整体流失率等，反映外部环境对用户流失的影响。

(2)样本不平衡的应对方法（每点1分，答满5点得5分）：

①数据层面：

-过采样：对少数类（流失用户）样本进行重复采样，或通过SMOTE等算法生成合成少数类样本；

-欠采样：对多数类（未流失用户）样本进行随机删除或分层采样，平衡两类样本数量；

-数据增强：通过对少数类样本的特征加入微小扰动生成新样本，扩充少数类数据量。

②算法层面：

-调整类别权重：在损失函数中给少数类样本赋予更高的权重（如分类模型的class_weight参数），提升模型对少数类的关注度；

-使用适配不平衡样本的算法：如EasyEnsemble、BalancedBagging等集成学习算法。

③评估层面：

-选择更适配不平衡样本的评估指标，如AUC、F1分数、召回率、精确率，避免使用准确率作为核心评估指标。

(3)模型上线后的监控维度（每点1分，共4分）：

①模型性能监控：持续跟踪模型的精确率、召回率、AUC等核心指标，判断模型是否出现性能衰退；

②数据漂移监控：监控输入特征的分布变化（如用户活跃度分布、消费能力分布）与输出预测结果的分布变化，及时识别数据漂移与概念漂移；

③业务效果监控：跟踪模型识别的高风险用户的挽留成功率、整体流失率下降幅度、挽留成本收益比等业务指标，验证模型的实际业务价值；

④系统稳定性监控：监控模型的预测延迟、报错率、计算资源占用情况，保障模型的稳定运行。

**解析**：本题考查数据科学项目的全流程落地能力，需结合业务场景灵活运用特征工程、样本不平衡处理、模型运营等知识，答案不唯一，逻辑合理、贴合业务场景即可得分。$$参考答案与解析一、单项选择题1.答案：B解析：正态分布下均值能够代表数据的集中趋势，连续型数值特征用均值填充合理性最高；直接删除会损失样本信息，众数适用于分类特征，0值会引入人为偏差。2.答案：B解析：K-Means无需标注标签即可完成聚类，属于无监督学习算法；其余三项均需要带标签的训练数据，属于监督学习算法。3.答案：C解析：折线图适合展示时间序列数据的趋势变化；饼图用于展示分类占比，散点图用于展示两个连续变量的相关性，箱线图用于展示数据的离散分布。4.答案：A解析：显著性水平α是第一类错误（弃真错误）的发生概率，即原假设为真时却被错误拒绝的概率。5.答案：B解析：Z-score标准化的公式为z=6.答案：C解析：样本极度不平衡时，即使模型全部预测为占比更高的负例，准确率也能达到99%，无法反映模型对少数类的识别能力，因此准确率不适用。7.答案：B解析：HAVING用于筛选GROUPBY分组后的聚合结果；WHERE用于分组前的行级筛选，GROUPBY用于分组，ORDERBY用于排序。8.答案：D解析：增加特征维度会提升模型的复杂度，可能加剧过拟合；其余三项均为常用的过拟合缓解方法。9.答案：C解析：Pearson相关系数的绝对值越接近1，线性相关性越强，负号表示负相关；相关关系不等于因果关系，无法通过相关系数推导因果性。10.答案：B二、多项选择题1.答案：ABCE解析：数据预处理的核心步骤包括数据清洗、数据集成、数据变换、数据归约，用于提升数据质量；数据可视化属于数据分析与呈现环节，不属于预处理范畴。2.答案：ACD解析：主成分分析是无监督降维算法，关联规则挖掘是无监督的关联分析算法；其余三项均需要标注标签的训练数据，属于监督学习算法。3.答案：ACD解析：均方误差是回归模型的常用评估指标，轮廓系数是聚类模型的评估指标；其余三项均为二分类模型的核心评估指标。4.答案：ABD解析：Pandas和NumPy是单机环境下的Python数据分析库，无法处理超大规模分布式数据；其余三项均为主流的分布式大数据处理框架。5.答案：ABCE解析：降维过程可能损失部分有效信息，不一定能提升模型拟合能力；其余均为数据降维的核心作用。三、判断题1.答案：错误解析：数据科学的研究对象涵盖结构化、半结构化和非结构化数据，文本、图像、音频等非结构化数据均属于其处理范畴。2.答案：正确3.答案：错误解析：测试集必须完全独立于训练过程，仅用于最终评估模型的泛化能力；测试集参与训练会导致过拟合，使评估结果失真。4.答案：正确5.答案：正确6.答案：错误解析：决策树既可以用于分类任务（输出类别标签），也可以用于回归任务（输出连续数值，即回归树）。7.答案：错误解析：相关关系不等于因果关系，相关系数仅衡量变量间的线性相关程度，无法证明因果性的存在。8.答案：正确9.答案：正确10.答案：正确四、简答题1.答案：数据科学的基本工作流程包含以下核心环节：(1)业务理解：明确分析目标、业务需求与边界；(2)数据获取：采集、整合多源异构数据；(3)数据预处理：完成数据清洗、缺失值/异常值处理、特征变换等，保障数据质量；(4)探索性分析：通过统计方法与可视化挖掘数据特征与潜在规律；(5)模型构建与优化：选择适配算法构建模型，通过调参、验证提升模型性能；(6)评估与部署：验证模型效果后部署上线，持续监控并迭代优化。（答对5个核心环节即可得满分，顺序合理即可）2.答案：过拟合是指模型在训练集上表现优异，但在测试集等未见过的新数据上泛化能力差的现象，通常由模型复杂度过高、训练数据量不足或噪声过多导致。（2分）常用缓