2025年初級(jí)數(shù)據(jù)分析師考試題集單選題（共10題，每題2分）1.在數(shù)據(jù)清洗過(guò)程中，以下哪種方法最適合處理缺失值？-A.直接刪除含有缺失值的行-B.使用均值或中位數(shù)填充-C.插值法填充-D.以上都是2.SQL中，用于計(jì)算分組數(shù)據(jù)統(tǒng)計(jì)量的函數(shù)是？-A.AVG()-B.SUM()-C.COUNT()-D.以上都是3.以下哪個(gè)不是數(shù)據(jù)可視化的基本原則？-A.清晰性-B.美觀(guān)性-C.準(zhǔn)確性-D.復(fù)雜性4.在Excel中，哪個(gè)函數(shù)用于計(jì)算兩組數(shù)據(jù)的協(xié)方差？-A.CORREL()-B.COVAR.S()-C.VAR.P()-D.STDEV.S()5.以下哪種方法不屬于特征工程？-A.特征編碼-B.特征選擇-C.特征縮放-D.模型訓(xùn)練6.在數(shù)據(jù)倉(cāng)庫(kù)中，星型模型的中心是？-A.雪花表-B.事實(shí)表-C.維度表-D.源表7.以下哪個(gè)不是常用的數(shù)據(jù)聚合方法？-A.匯總-B.連接-C.排序-D.分組8.在Python中，用于創(chuàng)建數(shù)據(jù)框的庫(kù)是？-A.Pandas-B.NumPy-C.Matplotlib-D.Scikit-learn9.以下哪個(gè)指標(biāo)用于衡量分類(lèi)模型的預(yù)測(cè)準(zhǔn)確率？-A.AUC-B.Precision-C.Recall-D.F1-score10.在數(shù)據(jù)采集過(guò)程中，以下哪種方法不屬于A(yíng)PI調(diào)用？-A.RESTAPI-B.SOAPAPI-C.WebScraping-D.GraphQLAPI多選題（共5題，每題3分）1.數(shù)據(jù)預(yù)處理的主要步驟包括？-A.數(shù)據(jù)清洗-B.數(shù)據(jù)集成-C.數(shù)據(jù)變換-D.數(shù)據(jù)規(guī)約-E.模型訓(xùn)練2.SQL中，用于數(shù)據(jù)排序的函數(shù)是？-A.ORDERBY-B.GROUPBY-C.HAVING-D.SELECT-E.WHERE3.數(shù)據(jù)可視化的常見(jiàn)圖表類(lèi)型包括？-A.折線(xiàn)圖-B.柱狀圖-C.散點(diǎn)圖-D.餅圖-E.熱力圖4.在Python中，用于數(shù)據(jù)分析的庫(kù)包括？-A.Pandas-B.NumPy-C.Matplotlib-D.Scikit-learn-E.TensorFlow5.數(shù)據(jù)倉(cāng)庫(kù)的典型架構(gòu)包括？-A.數(shù)據(jù)源-B.數(shù)據(jù)倉(cāng)庫(kù)-C.數(shù)據(jù)集市-D.數(shù)據(jù)湖-E.數(shù)據(jù)展現(xiàn)層判斷題（共10題，每題1分）1.數(shù)據(jù)清洗是數(shù)據(jù)分析過(guò)程中最基礎(chǔ)的步驟。（）2.SQL中的JOIN操作只能連接兩個(gè)表。（）3.數(shù)據(jù)可視化的目的是讓數(shù)據(jù)更美觀(guān)。（）4.特征工程只涉及特征的創(chuàng)建和選擇。（）5.數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)是臨時(shí)性的。（）6.數(shù)據(jù)聚合就是數(shù)據(jù)的排序操作。（）7.Pandas庫(kù)主要用于數(shù)據(jù)可視化。（）8.AUC指標(biāo)適用于回歸問(wèn)題。（）9.數(shù)據(jù)采集只能通過(guò)爬蟲(chóng)實(shí)現(xiàn)。（）10.數(shù)據(jù)分析報(bào)告不需要包含結(jié)論和建議。（）簡(jiǎn)答題（共5題，每題5分）1.簡(jiǎn)述數(shù)據(jù)清洗的主要步驟及其作用。2.解釋SQL中GROUPBY和HAVING的區(qū)別。3.描述數(shù)據(jù)可視化的基本原則及其重要性。4.說(shuō)明特征工程的目的是什么，并列舉三種常見(jiàn)的方法。5.簡(jiǎn)述數(shù)據(jù)倉(cāng)庫(kù)的基本架構(gòu)及其各部分的功能。綜合應(yīng)用題（共2題，每題10分）1.假設(shè)你有一個(gè)電商平臺(tái)的銷(xiāo)售數(shù)據(jù)集，包含以下字段：訂單ID、用戶(hù)ID、商品ID、購(gòu)買(mǎi)數(shù)量、購(gòu)買(mǎi)時(shí)間、商品價(jià)格。請(qǐng)?jiān)O(shè)計(jì)一個(gè)SQL查詢(xún)語(yǔ)句，計(jì)算每個(gè)用戶(hù)的總消費(fèi)金額，并按消費(fèi)金額降序排列。2.假設(shè)你使用Python的Pandas庫(kù)分析一個(gè)股票交易數(shù)據(jù)集，數(shù)據(jù)集包含以下字段：日期、開(kāi)盤(pán)價(jià)、最高價(jià)、最低價(jià)、收盤(pán)價(jià)、成交量。請(qǐng)編寫(xiě)代碼計(jì)算該股票的簡(jiǎn)單移動(dòng)平均線(xiàn)（SMA），并繪制折線(xiàn)圖展示結(jié)果。答案單選題答案1.D2.D3.D4.B5.D6.B7.B8.A9.A10.C多選題答案1.A,B,C,D2.A,D,E3.A,B,C,D,E4.A,B,C,D5.A,B,C,D,E判斷題答案1.√2.×3.×4.×5.×6.×7.×8.×9.×10.×簡(jiǎn)答題答案1.數(shù)據(jù)清洗的主要步驟包括：去除重復(fù)數(shù)據(jù)、處理缺失值、處理異常值、數(shù)據(jù)格式轉(zhuǎn)換等。這些步驟的作用是提高數(shù)據(jù)的質(zhì)量，為后續(xù)的數(shù)據(jù)分析提供可靠的基礎(chǔ)。2.SQL中GROUPBY用于對(duì)數(shù)據(jù)進(jìn)行分組，而HAVING用于對(duì)分組后的結(jié)果進(jìn)行篩選。GROUPBY是對(duì)數(shù)據(jù)進(jìn)行聚合，HAVING是對(duì)聚合后的結(jié)果進(jìn)行條件過(guò)濾。3.數(shù)據(jù)可視化的基本原則包括清晰性、準(zhǔn)確性、美觀(guān)性等。清晰性要求圖表易于理解，準(zhǔn)確性要求圖表反映數(shù)據(jù)的真實(shí)情況，美觀(guān)性要求圖表具有視覺(jué)吸引力。這些原則的重要性在于提高數(shù)據(jù)的可讀性和溝通效果。4.特征工程的目的是通過(guò)創(chuàng)建、選擇和轉(zhuǎn)換特征，提高模型的性能和預(yù)測(cè)能力。常見(jiàn)的方法包括特征編碼、特征選擇和特征縮放等。5.數(shù)據(jù)倉(cāng)庫(kù)的基本架構(gòu)包括數(shù)據(jù)源、數(shù)據(jù)倉(cāng)庫(kù)、數(shù)據(jù)集市、數(shù)據(jù)湖和數(shù)據(jù)展現(xiàn)層。數(shù)據(jù)源是數(shù)據(jù)的原始來(lái)源，數(shù)據(jù)倉(cāng)庫(kù)是數(shù)據(jù)的存儲(chǔ)和處理中心，數(shù)據(jù)集市是面向特定業(yè)務(wù)部門(mén)的數(shù)據(jù)集合，數(shù)據(jù)湖是原始數(shù)據(jù)的存儲(chǔ)庫(kù)，數(shù)據(jù)展現(xiàn)層是數(shù)據(jù)的展示和交互界面。綜合應(yīng)用題答案1.SQL查詢(xún)語(yǔ)句：sqlSELECT用戶(hù)ID,SUM(購(gòu)買(mǎi)數(shù)量*商品價(jià)格)AS總消費(fèi)金額FROM銷(xiāo)售數(shù)據(jù)集GROUPBY用戶(hù)IDORDERBY總消費(fèi)金額DESC;2.Python代碼：pythonimportpandasaspdimportmatplotlib.pyplotasplt#讀取數(shù)據(jù)data=pd.read_csv('股票交易數(shù)據(jù)集.csv')#計(jì)算簡(jiǎn)單移動(dòng)平均線(xiàn)window_size=5data['SMA']=data['收盤(pán)價(jià)'].rolling(window=window_size).mean()#繪制折線(xiàn)圖plt.figure(figsize=(10,6))plt.plot(data['日期'],data['收盤(pán)價(jià)'],