2026年数据科学与大数据分析综合能力考试试卷及答案

2026年数据科学与大数据分析综合能力考试试卷及答案一、单项选择题（每题2分，共30分）1.下列关于均值、中位数、众数的适用场景，说法正确的是？A.偏态分布数据的集中趋势适合用均值描述B.定类数据的集中趋势适合用中位数描述C.存在极端值的数值型数据适合用中位数描述D.众数只能用于数值型数据2.下列机器学习算法中，属于无监督学习的是？A.逻辑回归B.K近邻C.主成分分析D.梯度提升树3.下列大数据组件中，主要用于分布式结构化数据查询的是？A.HDFSB.HiveC.KafkaD.SparkStreaming4.下列数据处理行为中，违反个人信息保护相关规定的是？A.公开收集的匿名化用户行为数据用于学术研究B.取得用户单独同意后处理其敏感个人信息C.为提升推荐精度，未经同意收集用户通讯录信息D.因业务需要按规定向监管部门提供用户数据5.在假设检验中，若显著性水平α=0.05，计算得到的A.接受原假设B.拒绝原假设C.原假设一定成立D.备择假设一定不成立6.下列特征处理操作中，属于特征编码的是？A.对数值特征进行标准化B.将性别（男/女）转换为0/1数值C.用均值填充缺失值D.删除方差为0的特征7.某用户行为表user_action包含user_id、action_date、action_type字段，若要统计2026年1月每天的活跃用户数，下列SQL语句正确的是？A.SELECTactiondate,COUNT(userid)FROMuseractionWHEREactiondateBETWEEN'2026-01-01'AND'2026-01-31'GROUPBYaction_dateB.SELECTactiondate,COUNT(DISTINCTuserid)FROMuseractionWHEREactiondateBETWEEN'2026-01-01'AND'2026-01-31'GROUPBYaction_dateC.SELECTactiondate,DISTINCTCOUNT(userid)FROMuseractionWHEREactiondateBETWEEN'2026-01-01'AND'2026-01-31'GROUPBYuser_idD.SELECTactiondate,SUM(userid)FROMuseractionWHEREactiondateBETWEEN'2026-01-01'AND'2026-01-31'GROUPBYaction_date8.在线性回归模型中，调整后的可决系数RadjA.RadB.RadC.增加自变量时，RaD.两者都不会随自变量个数变化9.下列关于流处理与批处理的区别，说法错误的是？A.批处理处理的是静态数据集，流处理处理的是动态数据流B.批处理的延迟通常高于流处理C.流处理更适合实时报表、实时风控等场景D.Spark只能用于批处理，无法支持流处理10.K-means聚类算法中，确定簇数K的常用方法不包括？A.肘部法则B.轮廓系数法C.交叉验证法D.业务经验法11.数据质量的核心维度不包括下列哪一项？A.完整性B.一致性C.美观性D.准确性12.在二分类问题中，若模型的精确率很高但召回率很低，最可能的原因是？A.模型将大量负样本预测为正样本B.模型的预测阈值设置过低C.模型的预测阈值设置过高D.正负样本分布均衡13.某疾病的患病率为0.1%，某种检测方法的灵敏度为99%，特异度为99%。若某人检测结果为阳性，则其真正患病的概率约为？A.99%B.50%C.10%D.1%14.在Python的pandas库中，用于删除数据框中缺失值的方法是？A.fillna()B.dropna()C.isna()D.replace()15.下列关于A/B测试的说法，错误的是？A.实验需要保证两组用户的随机性与同质性B.实验期间可以根据初步结果随意调整流量分配C.需要提前确定样本量与实验周期D.核心指标需要与实验目标直接相关二、多项选择题（每题3分，共15分。每小题有2个及以上正确答案，少选得1分，错选、多选不得分）1.下列算法中，属于有监督学习分类算法的有？A.决策树B.随机森林C.K-meansD.支持向量机E.Apriori2.下列关于Hadoop生态组件的描述，正确的有？A.HDFS是分布式文件系统，用于存储海量结构化与非结构化数据B.MapReduce是分布式计算框架，适用于迭代式计算场景C.YARN是集群资源管理器，负责调度集群资源D.HBase是分布式列存储数据库，适合随机读写的实时查询场景E.ZooKeeper用于集群的分布式协调服务3.数据清洗过程中，常用的缺失值处理方法有？A.删除包含缺失值的样本B.用均值/中位数/众数填充C.用机器学习模型预测填充D.直接忽略缺失值，不做任何处理E.根据业务规则手动填充4.下列指标中，可用于评估二分类模型性能的有？A.准确率B.混淆矩阵C.F1值D.均方误差E.AUC5.下列关于主成分分析（PCA）的说法，正确的有？A.PCA是一种无监督降维方法B.主成分之间是线性相关的C.主成分的方差依次递减D.降维后保留的主成分越多，信息损失越大E.保留前N个主成分时，PCA可以在一定程度上去除数据噪声三、判断题（每题1分，共10分）1.标准差越大，说明数据的离散程度越大。2.机器学习模型的训练集准确率越高，模型的泛化能力就越强。3.HDFS采用主从架构，NameNode负责存储实际的数据块。4.在SQL中，WHERE子句用于过滤分组后的结果。5.相关关系等于因果关系，两个变量相关说明一定存在因果联系。6.决策树算法既可以处理分类问题，也可以处理回归问题。7.数据脱敏是指对敏感数据进行变形处理，在实现隐私保护的同时不影响数据分析结果。8.在线性回归中，若自变量之间存在多重共线性，会导致模型系数估计不稳定。9.Spark的数据抽象RDD是可变的、可分区的、可并行计算的集合。10.在假设检验中，第二类错误是指原假设为真时拒绝原假设的错误。四、简答题（每题5分，共15分）1.请简述数据挖掘的基本流程。2.请简述过拟合的产生原因与常用缓解方法。3.请简述数据仓库与关系型数据库的核心区别。五、计算分析题（每题10分，共20分）1.某电商平台优化了商品详情页的推荐模块，优化前的用户平均点击率为3.2%。优化后随机抽取了10000名用户的访问数据，测得平均点击率为3.5%，样本标准差为1.2%。假设点击率服从正态分布，显著性水平α=Z其中x=3.5%为样本均值，μ0=步骤3：计算统计量值代入数值计算：$$Z=\frac{0.035-0.032}{0.012/\sqrt{10000}}=\frac{0.003}{0.00012}=25$$（3分）

步骤4：结果判定

单侧右尾检验的临界值为$Z_{\alpha}=1.645$，由于$Z=25>1.645$，落在拒绝域内，因此拒绝原假设。（2分）

结论：在显著性水平0.05下，有足够证据认为优化后的点击率显著高于优化前。（1分）

**解析**：本题考查大样本下的单总体均值单侧Z检验，核心是明确假设方向、选择正确的检验统计量，结合临界值规则得出结论。

2.某风控模型对1000名信贷用户进行逾期预测，已知真实情况为：逾期用户100名，未逾期用户900名。模型的预测结果为：预测为逾期的用户共80名，其中60名为真实逾期用户；其余920名被预测为未逾期。请计算该模型的准确率、精确率、召回率、F1值，并说明该模型在风控场景下的主要问题。

**答案**：

首先构建混淆矩阵（正样本为“逾期”，行=真实标签，列=预测标签）：

-真正例TP=60（真实逾期，预测逾期）

-假正例FP=80-60=20（真实未逾期，预测逾期）

-假负例FN=100-60=40（真实逾期，预测未逾期）

-真负例TN=900-20=880（真实未逾期，预测未逾期）

（混淆矩阵正确得2分）

计算各指标：

(1)准确率（Accuracy）：预测正确的样本占总样本的比例

$$Accuracy=\frac{TP+TN}{TP+TN+FP+FN}=\frac{60+880}{1000}=94\%$$（2分）

(2)精确率（Precision）：预测为正的样本中真正为正的比例

$$Precision=\frac{TP}{TP+FP}=\frac{60}{60+20}=75\%$$（1分）

(3)召回率（Recall）：真实正样本中被正确预测的比例

$$Recall=\frac{TP}{TP+FN}=\frac{60}{60+40}=60\%$$（1分）

(4)F1值：精确率与召回率的调和平均

$$F1=\frac{2\timesPrecision\timesRecall}{Precision+Recall}=\frac{2\times0.75\times0.6}{0.75+0.6}\approx66.7\%$$（2分）

模型问题分析：该模型召回率仅为60%，即40%的真实逾期用户被漏判为未逾期。在信贷风控场景下，漏判逾期用户（假负例）会直接带来坏账损失，风险较高，需要优化模型降低假负例比例，提升召回率。（2分）

**解析**：本题考查二分类模型的核心评估指标计算，需结合业务场景理解不同指标的权重与优化方向。

##六、综合案例分析题（共10分）

某生鲜电商平台2026年1月的新用户注册量同比增长30%，但30日留存率同比下降15%。平台运营团队希望通过数据分析定位留存率下降的原因，并提出优化方向。

请结合数据科学分析方法，回答以下问题：

(1)你会从哪些维度拆解分析留存率下降的原因？请列出至少4个核心分析维度并说明分析逻辑。（6分）

(2)若经分析发现“新用户首单配送超时”是留存下降的重要影响因素，请设计实验验证该因素与留存率的因果关系。（4分）

**答案**：

(1)核心分析维度与逻辑（答出4点及以上得6分，每点1.5分）：

①用户属性维度：按新用户的渠道来源、地域、年龄、消费能力、注册设备等属性分组，对比不同分组的留存率差异，定位是否是某类特定用户群体留存下降导致整体留存下滑。

②用户行为维度：分析新用户首登后的行为路径，如首单转化率、浏览时长、浏览品类、优惠券使用情况等，对比高留存与低留存用户的行为差异，定位哪些行为节点与留存强相关。

③供给与体验维度：从商品供给（如SKU丰富度、生鲜品类缺货率）、配送体验（如配送时长、准时率、商品破损率）、售后体验（如退款率、客服响应时长）等维度，对比1月与去年同期的体验指标变化，分析体验下降是否导致留存下滑。

④运营活动维度：对比今年1月与去年同期的新用户运营活动（如新客优惠券力度、首单补贴规则、活动门槛）差异，分析是否是运营策略调整导致用户留存动力下降。

⑤外部环境维度：按注册日拆分留存率，结合春节、极端天气等外部事件，分析是否是外部环境变化影响用户消费习惯与留存。

(2)因果关系验证实验设计（4分）：

采用随机对照A/B测试验证因果关系：

①实验分组：将新注册用户随机分为两组，实验组（约10000人）提供首单准时达保障（如超时赔付、优先配送），对照组（约10000人）维持原有配送规则；通过假设检验验证两组用户的属性、行为特征无统计显著差异，保证同质性。（1.5分）

②实验周期：与原留存统计周期一致，完整跟踪两组用户的30日留存数据。（1分）

③结果判定：若实验组的30日留存率显著高于对照组（通过假设检验验证统计显著性），则可证明配送超时与留存率下降存在因果关系。（1.5分）

**解析**：本题考查业务分析的结构化拆解思维与因果验证方法，核心是掌握多维度拆解的分析框架与A/B测试的实验设计逻辑。$$参考答案与解析一、单项选择题1.答案：C解析：偏态分布数据的集中趋势适合用中位数描述，A错误；定类数据的集中趋势适合用众数描述，B错误；众数可用于定类、定序、数值型数据，D错误。2.答案：C解析：主成分分析是无监督降维算法，其余三项均为有监督学习算法。3.答案：B解析：Hive基于Hadoop实现类SQL的分布式结构化数据查询；HDFS是分布式文件系统；Kafka是消息队列；SparkStreaming是流计算框架。4.答案：C5.答案：B解析：当p<6.答案：B解析：特征编码是将非数值型特征转换为模型可处理的数值形式，B属于标签编码；A是特征缩放，C是缺失值处理，D是特征选择。7.答案：B解析：活跃用户数需要对用户ID去重计数，即COUNT(DISTINCTuser_id)，且按日期分组。8.答案：B解析：调整后的可决系数考虑了自变量个数的影响，公式为Radj2=1−(19.答案：D解析：Spark既支持批处理（SparkCore），也支持流处理（SparkStreaming/StructuredStreaming）。10.答案：C解析：交叉验证法主要用于有监督学习的模型参数选择与性能评估，K-means是无监督算法，通常不用交叉验证确定K值。11.答案：C12.答案：C解析：精确率高说明预测为正的样本中真正为正的比例高，召回率低说明真实正样本被识别出的比例低，通常是预测阈值设置过高，只有模型置信度极高的样本才会被判定为正，导致漏判大量正样本。13.答案：C解析：根据贝叶斯公式计算：设A为患病，B为检测阳性，P(A)=0.001，P(¬14.答案：B解析：fillna()用于填充缺失值，isna()用于判断缺失值，replace()用于替换指定值。15.答案：B解析：A/B测试期间随意调整流量分配会引入选择偏差，破坏实验的随机性，导致结果不可靠。二、多项选择题1.答案：ABD解析：K-means是无监督聚类算法，Apriori是关联规则挖掘算法，其余三项均为有监督分类算法。2.答案：ACDE解析：MapReduce适用于批量离线计算，迭代式计算效率较低，通常使用Spark等框架实现迭代计算，因此B错误。3.答案：ABCE解析：直接忽略缺失值不做处理可能导致模型偏差或分析结果不准确，不属于规范的缺失值处理方法。4.答案：ABCE解析：均方误差（MSE）是回归模型的常用评估指标，不适用于分类问题。5.答案：ACE解析：主成分之间是线性无关的，B错误；保留的主成分越多，信息损失越小，D错误；低方差主成分通常对应噪声，舍弃后可实现一定程度的去噪，E正确。三、判断题1.答案：正确2.答案：错误解析：训练集准确率过高可能出现过拟合，导致模型在新数据上的泛化能力下降。3.答案：错误解析：NameNode负责管理文件系统元数据，DataNode负责存储实际的数据块。4.答案：错误解析：WHERE子句用于过滤行级数据，HAVING子句用于过滤分组后的结果。5.答案：错误解析：相关关系不等于因果关系，可能存在共因或巧合相关。6.答案：正确7.答案：正确8.答案：正确9.答案：错误解析：RDD是不可变（只读）的分布式集合，修改RDD会生成新的RDD。10.答案：错误解析：第二类错误是原假设为假时接受原假设的错误，第一类错误是原假设为真时拒绝原假设的错误。四、简答题1.答案：数据挖掘的核心流程分为5个环节：(1)业务理解：明确分析目标与业务需求，确定分析范围与评估标准；(2)数据理解：收集原始数据，开展探索性分析，掌握数据结构、质量与分布特征；(3)数据准备：对数据进行清洗、集成、变换、特征工程等处理，构建符合建模要