大数据分析师证书试题及答案

大数据分析师证书试题及答案一、单项选择题（共20题，每题1分，共20分。每题只有一个正确答案）1.在大数据的典型5V特征中，对应“数据价值密度低，需通过深度挖掘实现价值转化”特征的是（）A.VeracityB.ValueC.VarietyD.Volume2.下列数据类型中，属于半结构化数据的是（）A.MySQL数据库中存储的用户交易记录表B.JSON格式的APP用户行为埋点日志C.门店摄像头采集的监控视频片段D.纸质增值税发票扫描件3.以下工具中，不属于网络数据采集工具的是（）A.ScrapyB.Octoparse（八爪鱼）C.PandasD.BeautifulSoup4.在数据清洗环节，对于数值型特征的缺失值，若缺失占比超过一定阈值通常建议直接删除该特征，该阈值的行业常规参考值为（）A.10%B.20%C.30%D.50%5.某电商平台2024年3月用户月消费额的中位数为230元，下列说法正确的是（）A.所有用户月消费额的算术平均值为230元B.一半及以上用户的月消费额高于或等于230元C.多数用户的月消费额集中在230元左右D.用户月消费额的众数为230元6.大数据分析师要验证“男性用户的商品复购率显著高于女性用户”这一假设，其中用户性别为二分类变量，复购与否为二分类变量，最适合采用的统计检验方法是（）A.独立样本t检验B.卡方检验C.配对t检验D.单因素方差分析7.要通过SQL实现“查询2024年第一季度每个商品品类的销售额Top3商品”的需求，以下SQL函数中最核心的是（）A.COUNT()B.ROW_NUMBER()C.SUM()D.GROUPBY8.以下Python第三方库中，专门用于数据可视化的是（）A.NumPyB.PandasC.MatplotlibD.Scikit-learn9.电商运营中的“漏斗分析”方法，核心应用场景是（）A.识别用户价值分层B.追踪用户在关键业务流程中的转化与流失情况C.预测用户未来7天的购买意向D.挖掘商品之间的关联购买规律10.以下大数据技术组件中，属于分布式计算框架的是（）A.HDFSB.MapReduceC.HBaseD.Kafka11.在进行聚类分析前，需要对不同量纲的特征进行标准化处理，以下哪种方法会将原始数据线性映射到[0,1]区间内（）A.Z-score标准化B.Min-Max标准化C.正态化变换D.去中心化12.经典的“啤酒与尿布”商业案例，属于大数据分析中的哪类典型应用（）A.聚类分析B.分类分析C.关联规则挖掘D.时序序列预测13.以下关于数据仓库特点的描述中，错误的是（）A.面向主题性B.集成性C.事务实时性D.时变性14.以下电商运营指标中，属于“存量用户运营”核心考核指标的是（）A.新客注册量B.7日用户留存率C.广告点击率D.客单价15.根据《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》相关规定，以下不属于个人信息范畴的是（）A.用户手机号码B.用户匿名化处理后的消费数据C.用户浏览记录D.用户身份证号16.以下算法中，属于无监督学习的聚类算法是（）A.K-MeansB.决策树C.逻辑回归D.随机森林17.要预测某连锁超市未来3个月的月度销售额，已知历史销售额数据存在明显的趋势性和季节性波动，最适合选用的模型是（）A.简单线性回归模型B.移动平均模型C.Holt-Winters指数平滑模型D.朴素预测模型18.在A/B测试实验中，以下哪种情况会直接导致实验结果的可信度下降（）A.实验样本量达到统计功效要求B.实验组与对照组用户完全随机分配C.实验周期覆盖完整的用户行为周期D.实验过程中多次调整实验规则和流量比例19.要展示全国不同地级行政区域的用户分布密度，最适合的可视化类型是（）A.柱状图B.热力地图C.折线图D.饼图20.大数据分析师在出具正式分析报告时，以下做法符合职业规范的是（）A.为了贴合业务方预期，调整部分异常数据B.仅展示对结论有利的数据，忽略与结论相悖的数据C.明确说明数据来源、分析方法及结论的局限性D.用模糊表述规避结论的不确定性二、多项选择题（共10题，每题2分，共20分。每题有2-4个正确答案，多选、少选、错选均不得分）1.大数据分析师的核心工作内容包括以下哪些范畴（）A.数据采集与预处理B.数据建模与深度分析C.数据可视化与业务报告输出D.业务系统的底层代码开发2.以下数据类型中，属于非结构化数据的有（）A.微博平台的用户评论文本B.电商平台的商品展示图片C.ERP系统中的销售订单表D.客服部门的用户通话录音3.数据清洗过程中，缺失值的常见处理方式包括（）A.删除缺失值占比过高的特征列B.用中位数填充数值型缺失值C.用K近邻算法预测填充缺失值D.对缺失值进行独热（One-Hot）编码4.以下关于SQL语句的使用规则，说法正确的有（）A.WHERE子句用于行级数据的条件过滤B.HAVING子句用于分组后聚合结果的条件过滤C.ORDERBY子句默认按升序（ASC）排列D.LEFTJOIN会返回左表的全部记录及右表中匹配的记录5.以下统计指标中，属于描述性统计范畴的有（）A.算术均值B.标准差C.Pearson相关系数D.假设检验p值6.用户分群分析中常用的RFM模型，包含的核心指标有（）A.最近一次消费时间（Recency）B.消费频率（Frequency）C.消费金额（Monetary）D.用户留存率（Retention）7.以下技术中，属于大数据存储类技术的有（）A.HDFSB.HBaseC.RedisD.Spark8.规范的A/B测试必须具备的核心要素包括（）A.单一变量控制B.用户随机分组C.明确的核心评估指标D.不低于10万的实验样本量9.数据可视化的核心设计原则包括（）A.准确传达数据真实信息B.匹配业务场景需求C.优先追求极致的视觉特效D.保持逻辑一致性10.以下行为中，违反大数据分析师职业道德规范的有（）A.未经授权泄露企业内部用户敏感数据B.篡改分析结果以迎合管理层的预设结论C.在分析报告中主动说明数据局限性D.抄袭他人分析方法和结论且未注明来源三、判断题（共10题，每题1分，共10分。正确填√，错误填×）1.大数据分析中，数据规模越大，最终分析结果的准确性一定越高。（）2.半结构化数据没有固定的表结构，因此完全无法通过SQL进行查询分析。（）3.数据清洗是数据分析全流程中耗时占比最高的环节，通常会占用总工作量的60%-80%。（）4.数据集的标准差越大，说明数据的离散程度越高。（）5.逻辑回归算法是一种常用的无监督聚类算法，主要用于用户分群场景。（）6.数据仓库的核心是支撑OLTP（联机事务处理）系统，满足企业日常订单提交、库存更新等实时事务需求。（）7.两个连续变量的Pearson相关系数为0，说明二者之间不存在任何关联关系。（）8.K-Means聚类算法中，K值（簇的数量）的设置会直接影响最终的聚类效果。（）9.漏斗分析只能用于统计用户转化流程的各环节转化率，无法用于定位流失原因。（）10.企业使用用户个人信息开展数据分析时，需要依法获得用户的知情同意。（）四、简答题（共4题，每题5分，共20分）1.请简述大数据分析的完整流程及各环节的核心工作内容。2.请简述异常值的定义、常用识别方法及典型处理方式。3.请简述RFM模型的核心逻辑及在用户运营中的主要应用场景。4.请简述A/B测试的基本流程及核心注意事项。五、实操分析题（共2题，每题15分，共30分）1.SQL实操题已知某电商平台有两张核心业务表，表结构如下：用户表users（主键：user_id）：字段名类型说明user_idINT用户唯一标识genderVARCHAR(10)用户性别（男/女/未知）ageINT用户年龄cityVARCHAR(20)用户所在城市register_timeDATE用户注册日期字段名类型说明order_idINT订单唯一标识user_idINT下单用户ID，关联users表user_idorder_amountDECIMAL(10,2)订单总金额order_timeDATE下单日期order_statusTINYINT订单状态：1=支付成功，0=未支付（1）查询2024年1月注册的、来自北京、上海、广州、深圳4个城市的女性用户总人数。（5分）（2）查询2024年第一季度（1月1日-3月31日）每个城市的支付成功订单总金额、订单总数、下单用户数，结果按总金额降序排列。（5分）（3）查询2024年第一季度消费总金额排名前10的用户的user_id、消费总金额、消费频次，以及对应的用户性别、所在城市。（5分）2.业务分析实操题某生鲜电商平台2024年3月的用户月度复购率较2月下降了8个百分点，运营团队初步怀疑是3月配送时效下降导致的。作为负责该业务线的大数据分析师，请你设计一套完整的分析思路来验证该假设，并分别说明假设成立、不成立时的后续分析方向。（15分）参考答案与解析一、单项选择题1.答案：B解析：大数据5V特征分别为：Volume（大量，数据规模庞大）、Velocity（高速，数据产生、处理速度快）、Variety（多样，数据类型涵盖结构化、半结构化、非结构化）、Value（价值，价值密度低，需挖掘实现价值转化）、Veracity（真实性，数据质量存在不确定性）。题干描述对应Value特征。2.答案：B解析：半结构化数据是指具有一定结构但结构不固定的数据，如JSON、XML格式数据；A属于结构化数据，C、D属于非结构化数据。3.答案：C解析：Scrapy、BeautifulSoup是Python生态下的网页采集工具，Octoparse是可视化网页采集工具；Pandas是用于数据处理与分析的第三方库，不属于采集工具。4.答案：C解析：行业常规参考标准为：当特征缺失占比低于10%时可采用填充等方式处理；占比10%-30%时需结合特征重要性判断处理方式；占比超过30%时，该特征的参考价值较低，通常建议直接删除。5.答案：B解析：中位数是将数据按大小顺序排列后位于中间位置的数值，意味着至少一半的数据大于等于中位数，至少一半的数据小于等于中位数；均值、众数与中位数无必然关联。6.答案：B解析：卡方检验适用于分类变量之间的独立性检验，本题中性别、复购与否均为二分类变量，适合用卡方检验验证二者的关联性；t检验、方差分析适用于连续型变量的均值差异检验。7.答案：B解析：分组取TopN需求的核心是窗口函数的应用，ROW_NUMBER()可对每个品类内的商品按销售额排序并生成排名，进而筛选出Top3商品；SUM()、GROUPBY是基础聚合函数，无法实现分组内的排名筛选。8.答案：C解析：Matplotlib是Python核心的数据可视化库；NumPy用于数值计算，Pandas用于数据处理，Scikit-learn用于机器学习建模。9.答案：B解析：漏斗分析通过将业务流程拆解为多个环节，统计各环节的转化率与流失率，定位流失关键节点；A对应RFM等用户价值模型，C对应预测类模型，D对应关联规则挖掘。10.答案：B解析：MapReduce是Google提出的分布式计算框架，用于大规模数据集的并行计算；HDFS是分布式文件系统，HBase是分布式列存储数据库，Kafka是分布式消息队列。11.答案：B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；Z-score标准化将数据转换为均值为0、标准差为1的分布；去中心化仅去除均值，不限制取值范围。12.答案：C解析：“啤酒与尿布”是关联规则挖掘的经典案例，通过分析用户购物篮中的商品组合，挖掘商品之间的关联关系。13.答案：C解析：数据仓库是面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支撑管理决策，核心是OLAP（联机分析处理）；事务实时性是OLTP（联机事务处理）系统的特点，不属于数据仓库的特征。14.答案：B解析：存量用户运营的核心是提升现有用户的留存、活跃与价值，用户留存率是核心考核指标；新客注册量属于拉新指标，广告点击率属于流量运营指标，客单价属于转化运营指标。15.答案：B解析：根据《个人信息保护法》，个人信息是以电子或者其他方式记录的与已识别或者可识别的自然人有关的各种信息；匿名化处理后的信息无法识别特定自然人，不属于个人信息范畴。16.答案：A解析：K-Means是典型的无监督聚类算法，无需标注数据即可实现数据分群；决策树、逻辑回归、随机森林均属于有监督的分类/回归算法。17.答案：C解析：Holt-Winters指数平滑模型（三次指数平滑）专门适用于包含趋势性和季节性成分的时间序列预测；简单线性回归、移动平均、朴素预测模型均无法有效捕捉季节性波动。18.答案：D解析：A/B测试需遵循单一变量原则，实验过程中多次调整规则会引入混杂因素，导致无法确定指标变化的真实原因，降低结果可信度；A、B、C均为提升实验可信度的规范操作。19.答案：B解析：热力地图通过颜色深浅直观展示地理区域内的数据密度，适合展示不同地区的用户分布；柱状图用于对比分类数据的数值大小，折线图用于展示时间序列趋势，饼图用于展示占比关系。20.答案：C解析：大数据分析师需秉持客观、严谨的职业操守，分析报告需明确说明数据来源、方法及局限性，不得篡改数据、选择性展示数据或模糊表述不确定性。二、多项选择题1.答案：ABC解析：大数据分析师的核心工作围绕数据价值挖掘展开，涵盖数据采集、预处理、建模分析、可视化输出等环节；业务系统底层代码开发属于后端开发工程师的工作范畴。2.答案：ABD解析：非结构化数据是指没有固定结构的数据，包括文本、图片、音频、视频等；ERP系统中的销售订单表属于结构化数据。3.答案：ABC解析：缺失值的常见处理方式包括删除法、填充法（均值/中位数/众数填充、预测值填充等）、插补法等；独热编码是分类变量的特征工程方法，不属于缺失值处理方式。4.答案：ABCD解析：四个选项的描述均符合SQL语法规则：WHERE用于行级过滤，HAVING用于分组后聚合结果过滤，ORDERBY默认升序，LEFTJOIN返回左表全部记录及右表匹配记录。5.答案：ABC解析：描述性统计用于描述数据的基本特征，包括集中趋势、离散程度、相关关系等，均值、标准差、相关系数均属于描述性统计指标；p值是推断统计中假设检验的指标，用于判断结果的统计显著性。6.答案：ABC解析：RFM模型的三个核心指标为最近一次消费时间（Recency）、消费频率（Frequency）、消费金额（Monetary），是用户价值分层的经典模型。7.答案：ABC解析：HDFS是分布式文件存储系统，HBase是分布式列存储数据库，Redis是内存键值存储数据库，均属于存储类技术；Spark是分布式计算框架，不属于存储技术。8.答案：ABC解析：规范的A/B测试需满足单一变量、随机分组、明确核心指标等核心要求；样本量需根据效应量、统计功效等参数计算，并非必须达到10万。9.答案：ABD解析：数据可视化的核心原则是准确、高效传达数据价值，需匹配业务场景、保持逻辑一致，不得为了追求视觉特效而扭曲数据信息。10.答案：ABD解析：泄露用户数据、篡改分析结果、抄袭他人成果均违反职业道德规范；主动说明数据局限性是分析师专业素养的体现，符合职业道德要求。三、判断题1.答案：×解析：分析结果的准确性由数据质量、数据相关性、分析方法等多因素决定，若数据为低质量、不相关的垃圾数据，数据量越大反而可能干扰分析结果，并非越大越准确。2.答案：×解析：半结构化数据可通过SQL进行查询分析，如Hive、SparkSQL等大数据查询引擎支持通过get_json_object、xpath等函数解析JSON、XML格式的半结构化数据。3.答案：√解析：数据清洗是数据分析的基础环节，需处理缺失值、异常值、重复值、格式不一致等问题，通常占总工作量的60%-80%，是耗时最高的环节。4.答案：√解析：标准差是方差的算术平方根，是衡量数据离散程度的核心指标，标准差越大，说明数据分布越分散，离散程度越高。5.答案：×解析：逻辑回归是有监督的分类算法，用于预测二分类或多分类问题，不属于无监督聚类算法，不能直接用于用户分群。6.答案：×解析：数据仓库的核心是支撑OLAP（联机分析处理），用于复杂查询和决策分析；OLTP（联机事务处理）是业务系统的核心，支撑日常事务操作。7.答案：×解析：Pearson相关系数仅衡量两个变量之间的线性相关程度，相关系数为0仅说明二者不存在线性相关关系，可能存在非线性相关关系。8.答案：√解析：K-Means算法中K值代表聚类簇的数量，K值设置过小会导致簇内差异过大，设置过大会导致簇间差异不明显，直接影响聚类效果。9.答案：×解析：漏斗分析不仅可以统计各环节转化率，还可以通过对流失用户进行维度下钻（如用户属性、行为特征、渠道等），定位流失的具体原因。10.答案：√解析：根据《个人信息保护法》，企业处理个人信息需遵循合法、正当、必要和诚信原则，取得个人的知情同意（法律规定的特殊情形除外）。四、简答题1.参考答案：大数据分析的完整流程分为6个核心环节：（1）需求明确与方案设计：对接业务方需求，明确分析目标、指标体系、数据范围、输出形式，制定可落地的分析计划，是分析工作的前提。（2）数据采集：根据分析需求采集多源数据，包括业务数据库数据、用户行为日志数据、第三方外部数据等，保障数据的完整性与准确性。（3）数据预处理：也叫数据清洗，是分析的基础环节，包括缺失值、异常值、重复值处理，数据格式转换、多源数据集成、特征维度规约等，保障数据质量。（4）数据分析与建模：根据分析目标选择合适的方法，如描述性分析、诊断性分析、预测性分析、处方性分析，运用统计方法、机器学习算法挖掘数据价值。（5）可视化与报告输出：将分析结果通过图表、仪表盘等形式可视化呈现，撰写结构化分析报告，给出可落地的业务建议。（6）效果跟踪与迭代：跟踪分析结论落地后的业务效果，根据业务反馈迭代优化分析模型与方案，形成闭环。（评分说明：答出5个核心环节即可得满分，环节内容描述准确即可酌情给分）2.参考答案：（1）定义：异常值（离群点）是指数据集中明显偏离大部分观测值的数值，可能由数据录入错误、业务异常波动、自然极端值等原因导致。（2）常用识别方法：①统计检验法：基于正态分布的3σ原则，超出均值±3倍标准差的数值视为异常，适用于近似正态分布的数据；②箱线图法：小于下四分位数-1.5倍四分位距、或大于上四分位数+1.5倍四分位距的数值视为异常，不受数据分布限制；③业务规则法：结合业务经验判断，如普通用户单日消费额超过100万元明显不符合业务逻辑；④聚类法：通过DBSCAN等聚类算法识别远离核心簇的孤立点为异常值。（评分说明：答出2种以上方法即可得2分）（3）典型处理方式：①删除法：若异常值为错误数据且占比极低，可直接删除对应记录或特征；②修正/替换法：若为录入错误可核实后修正，或用均值、中位数、相邻值等替换异常值；③保留法：若异常值为真实业务异常（如大促峰值交易），具有分析价值，可保留单独分析，或使用鲁棒性算法处理；④转换法：通过对数变换、分箱等方式弱化异常值的影响。（评分说明：答出2种以上方式即可得2分）3.参考答案：（1）核心逻辑：RFM模型是基于用户历史消费行为的用户价值分层模型，通过最近一次消费时间（Recency）、消费频率（Frequency）、消费金额（Monetary）三个核心指标衡量用户的活跃度、忠诚度与消费能力，通过对三个指标打分、加权或组合，将用户划分为不同价值层级，实现精细化用户运营。（2）主要应用场景：①高价值用户识别：筛选R值近、F值高、M值高的重要价值用户，配置专属客服、专属权益等资源，提升高价值用户留存与贡献；②流失用户召回：针对R值远、F值高、M值高的重要召回用户，推送定向召回权益，唤醒沉睡用户；③精准营销：针对不同RFM层级的用户推送差异化的商品、活动和权益，提升营销转化率与ROI；④用户生命周期管理：追踪用户RFM指标的变化，判断用户所处的生命周期阶段（新用户、成长期、成熟期、衰退期、流失期），制定对应运营策略。（评分说明：答出3种以上场景即可得3分）4.参考答案：（1）基本流程：①实验设计：明确实验假设、核心评估指标、实验变量、所需样本量与实验周期，制定实验方案；②流量分组：将目标用户随机分为实验组和对照组，确保两组用户的特征分布无显著差异；③实验上线：实验组加载实验策略，对照组保持原有策略，实验过程中严格控制其他变量不变；④数据统计与分析：实验结束后收集两组数据，通过假设检验判断指标差异是否具有统计显著性；⑤结论输出与决策：根据分析结果判断实验效果，给出全量上线、优化迭代或下线的决策建议。（评分说明：流程完整得2分，缺1个环节扣0.5分）（2）核心注意事项：①单一变量原则：每次实验仅改变一个变量，避免混杂因素干扰，无法确定指标变化的真实原因；②随机分组原则：必须采用随机方式分配用户，消除选择偏差，保证两组的可比性；③样本量充足：样本量需达到统计功效要求，避免小样本导致的偶然结果；④周期合理：实验周期需覆盖完整的用户行为周期（如一周），避免周期性波动影响结果；⑤避免辛普森悖论：需对用户、场景等维度进行下钻分析，避免整体结论与分层结论相悖。（评分说明：答出3种以上注意事项即可得3分）五、实操分析题1.参考答案与评分标准：（1）查询语句（5分）：```sqlSELECTCOUNT(user_id)ASfemale_user_cntFROMusersWHEREregister_timeBETWEEN'2024-01-01'AND'2024-01-31'ANDgender='女'ANDcityIN('北京','上海','广州','深圳');```评分说明：正确筛选注册时间得1分，正确筛选性别得1分，正确使用IN筛选四个城市得1分，正确统计用户数得1分，语法规范得1分。若使用DISTINCT去重也可得分，因user_id为主键，无重复。（2）查询语句（5分）：```sqlSELECTu.city,SUM(o.order_amount)AStotal_amount,COUNT(o.order_id)ASorder_cnt,COUNT(DISTINCTo.user_id)ASpay_user_cntFROMordersoLEFTJOINusersuONo.user_id=u.user_idWHEREo.order_timeBETWEEN'2024-01-01'AND'2024-03-31'ANDo.order_status=1GROUPBYu.cityORDERBYtotal_amountDESC;```评分说明：正确关联两张表得1分，正确筛选订单时间与支付状态得1分，正确计算三个聚合指标得2分（其中下单用户数需去重，未去重扣1分），正确分组排序得1分。（3）查询语句（5分）：```sqlSELECTt.user_id,t.total_amount,t.order_cntASconsume_frequency,u.gender,u.cityFROM(SELECTuser_id,SUM(order_amount)AStotal_amount,COUNT(order_id)ASorder_cnt,ROW_NUMBER()OVER(ORDERBYSUM(order_amount)DESC)ASrkFROMordersWHEREorder_timeBETWEEN'2024-01-01'AND'2024-03-31'ANDorder_status=1GROUPBYuser_id)tLEFTJOINusersuONt.user_id=u.user_idWHEREt.rk<=10ORDERBYt.total_amountDESC;```评分说明：正确使用窗口函数ROW_NUMBER()实现分组排名得2分，子查询中正确计算用户消费金额与频次得1分，正确关联用户表获取属性得1分，正确筛选Top10与排序得1分。若使用RANK()或DENSE_RANK()需说明场景，默认使用ROW_NUMBER()即可得分。2.参考答案与评分标准：本次分析的核心目标是验证“配送时效下降是3月复购率下降的主要原因”，量化其影响程度，分析思路如下：（1）基础数据核实（3分）①统一指标口径：明确复购率的统计口径（如月度复购率=当月有2次及以上支付的用户数/当月有支付的用户数），核实2月、3月复购率的计算数据是否准确，排除数据统计错误、口径差异导致的偏差；②验证配送时效变化：明确配送时效的统计口径