2025年數(shù)據(jù)分析師筆試高頻考點預(yù)測一、選擇題（每題2分，共20題）1.以下哪種統(tǒng)計方法最適合用于分析連續(xù)型數(shù)據(jù)的分布特征？A.等距法B.分類匯總C.相關(guān)性分析D.回歸分析2.在數(shù)據(jù)清洗過程中，處理缺失值最常用的方法是？A.刪除包含缺失值的記錄B.使用均值/中位數(shù)/眾數(shù)填充C.插值法D.以上都是3.SQL中用于連接兩個表的語句是？A.`JOIN`B.`GROUPBY`C.`WHERE`D.`ORDERBY`4.以下哪個指標(biāo)最適合衡量數(shù)據(jù)離散程度？A.均值B.方差C.標(biāo)準(zhǔn)差D.偏度5.在數(shù)據(jù)可視化中，最適合展示時間序列數(shù)據(jù)的圖表是？A.餅圖B.散點圖C.折線圖D.條形圖6.以下哪種算法屬于監(jiān)督學(xué)習(xí)？A.K-means聚類B.決策樹C.主成分分析D.Apriori關(guān)聯(lián)規(guī)則7.數(shù)據(jù)庫中，保證數(shù)據(jù)一致性的完整性約束是？A.主鍵約束B.外鍵約束C.唯一約束D.非空約束8.以下哪種方法能有效處理數(shù)據(jù)中的異常值？A.標(biāo)準(zhǔn)化B.箱線圖分析C.奇異值檢測D.以上都是9.在數(shù)據(jù)倉庫中，F(xiàn)act表通常存儲？A.維度信息B.事實度量值C.外部數(shù)據(jù)D.指標(biāo)計算10.以下哪個工具最適合用于交互式數(shù)據(jù)探索？A.ExcelB.PythonC.TableauD.SQL二、填空題（每空1分，共10空）1.在進行假設(shè)檢驗時，第一類錯誤的概率通常用______表示。2.數(shù)據(jù)分析中，常用的數(shù)據(jù)預(yù)處理步驟包括______、缺失值處理、數(shù)據(jù)轉(zhuǎn)換等。3.SQL中，用于對數(shù)據(jù)進行排序的語句是______。4.在散點圖中，如果數(shù)據(jù)點呈現(xiàn)線性關(guān)系，則相關(guān)系數(shù)的絕對值接近______。5.數(shù)據(jù)倉庫的三層架構(gòu)通常包括ODS、______和報表層。6.交叉表（PivotTable）主要用于分析兩個或多個維度的______。7.在數(shù)據(jù)挖掘中，關(guān)聯(lián)規(guī)則挖掘的常用算法是______。8.時間序列分析中，ARIMA模型通常包含______、差分和移動平均三個部分。9.數(shù)據(jù)庫索引的類型主要有______和哈希索引。10.機器學(xué)習(xí)中的過擬合現(xiàn)象通?？梢酝ㄟ^______方法緩解。三、簡答題（每題5分，共4題）1.簡述數(shù)據(jù)清洗的主要步驟及其目的。2.解釋什么是數(shù)據(jù)標(biāo)準(zhǔn)化，并說明其作用。3.比較SQL和Python在數(shù)據(jù)分析中的優(yōu)缺點。4.描述K-means聚類算法的基本原理及其適用場景。四、計算題（每題10分，共2題）1.已知某城市過去10年的GDP數(shù)據(jù)如下：[1.2,1.5,1.8,2.1,2.4,2.7,3.0,3.3,3.6,4.0]。計算其均值、中位數(shù)、方差和標(biāo)準(zhǔn)差。2.某電商平臺的用戶購買行為數(shù)據(jù)如下表，請用SQL語句查詢每個用戶的總購買金額，并按金額降序排列。|用戶ID|商品ID|金額||--|--|||1|A|100||1|B|200||2|A|150||2|C|300||3|B|250|五、編程題（每題15分，共2題）1.使用Python的Pandas庫，讀取以下JSON數(shù)據(jù)，計算每個部門的平均薪資，并繪制條形圖展示結(jié)果。json[{"部門":"技術(shù)部","薪資":8000},{"部門":"市場部","薪資":7500},{"部門":"銷售部","薪資":7000},{"部門":"技術(shù)部","薪資":8500},{"部門":"市場部","薪資":8000}]2.編寫SQL語句，實現(xiàn)以下需求：-從訂單表（Orders）中篩選出2023年12月的訂單。-按月和產(chǎn)品類別分組，統(tǒng)計每個類別的訂單數(shù)量。-結(jié)果中需包含月份數(shù)、產(chǎn)品類別和訂單數(shù)量三列。答案一、選擇題答案1.A2.D3.A4.C5.C6.B7.B8.D9.B10.C二、填空題答案1.α2.數(shù)據(jù)整合3.`ORDERBY`4.15.DW6.關(guān)聯(lián)關(guān)系7.Apriori8.自回歸項9.B-Tree索引10.正則化三、簡答題答案1.數(shù)據(jù)清洗的主要步驟及其目的-缺失值處理：通過刪除、填充等方法解決數(shù)據(jù)缺失問題，保證數(shù)據(jù)完整性。-異常值檢測：識別并處理異常數(shù)據(jù)，避免對分析結(jié)果造成誤導(dǎo)。-數(shù)據(jù)轉(zhuǎn)換：統(tǒng)一數(shù)據(jù)格式（如日期、數(shù)值類型），便于后續(xù)分析。-重復(fù)值處理：去除重復(fù)記錄，避免統(tǒng)計偏差。-數(shù)據(jù)整合：合并來自不同源的數(shù)據(jù)，形成統(tǒng)一分析視圖。2.數(shù)據(jù)標(biāo)準(zhǔn)化及其作用標(biāo)準(zhǔn)化是將數(shù)據(jù)縮放到特定范圍（如[0,1]或均值為0、標(biāo)準(zhǔn)差為1），常用公式為：\[z=\frac{x-\mu}{\sigma}\]作用：消除不同量綱的影響，提高算法收斂速度，適用于距離計算和機器學(xué)習(xí)模型。3.SQL與Python在數(shù)據(jù)分析中的優(yōu)缺點-SQL：優(yōu)點：高效處理結(jié)構(gòu)化數(shù)據(jù)，適合多表關(guān)聯(lián)查詢。缺點：靈活性差，復(fù)雜分析需編寫復(fù)雜語句。-Python：優(yōu)點：功能豐富（Pandas、NumPy等庫），適合數(shù)據(jù)挖掘和可視化。缺點：執(zhí)行效率低于SQL，適合小數(shù)據(jù)量分析。4.K-means聚類算法原理及適用場景原理：將數(shù)據(jù)點劃分為K個簇，使簇內(nèi)距離最小化。步驟：1.隨機選擇K個初始質(zhì)心。2.將每個點分配到最近的質(zhì)心。3.重新計算質(zhì)心。4.重復(fù)步驟2-3直至收斂。適用場景：客戶細(xì)分、圖像壓縮等，要求數(shù)據(jù)呈球狀分布。四、計算題答案1.GDP數(shù)據(jù)統(tǒng)計-均值：\(\frac{1.2+1.5+...+4.0}{10}=2.7\)-中位數(shù)：排序后第5和第6個數(shù)的平均：\(\frac{2.4+2.7}{2}=2.55\)-方差：\(\frac{(1.2-2.7)^2+...+(4.0-2.7)^2}{10}=0.499\)-標(biāo)準(zhǔn)差：\(\sqrt{0.499}\approx0.707\)2.SQL查詢語句sqlSELECT用戶ID,SUM(金額)AS總金額FROM訂單表WHEREYEAR(日期)=2023ANDMONTH(日期)=12GROUPBY用戶IDORDERBY總金額DESC五、編程題答案1.Python代碼pythonimportpandasaspdimportmatplotlib.pyplotaspltdata=[{"部門":"技術(shù)部","薪資":8000},{"部門":"市場部","薪資":7500},{"部門":"銷售部","薪資":7000},{"部門":"技術(shù)部","薪資":8500},{"部門":"市場部","薪資":8000}]df=pd.DataFrame(data)avg_salary=df.groupby("部門")["薪資"].mean()avg_salary.plot(kind="bar")plt.t