光大銀行濟(jì)寧市兗州區(qū)2025秋招數(shù)據(jù)分析師筆試題及答案一、選擇題（共10題，每題2分，合計(jì)20分）1.在數(shù)據(jù)分析師工作中，以下哪項(xiàng)不是常用的數(shù)據(jù)預(yù)處理方法？A.數(shù)據(jù)清洗B.數(shù)據(jù)集成C.數(shù)據(jù)轉(zhuǎn)換D.數(shù)據(jù)挖掘2.對(duì)于時(shí)間序列數(shù)據(jù)的分析，ARIMA模型主要用于解決以下哪種問題？A.分類問題B.回歸問題C.指數(shù)平滑D.季節(jié)性波動(dòng)分析3.在SQL查詢中，以下哪個(gè)函數(shù)用于計(jì)算分組后的數(shù)據(jù)平均值？A.SUM()B.AVG()C.MAX()D.COUNT()4.假設(shè)某銀行客戶數(shù)據(jù)中，年齡分布不均勻，為了使數(shù)據(jù)更符合正態(tài)分布，可以采用以下哪種方法？A.標(biāo)準(zhǔn)化B.對(duì)數(shù)變換C.二值化D.直方圖均衡化5.在機(jī)器學(xué)習(xí)模型中，過擬合現(xiàn)象通常表現(xiàn)為以下哪種情況？A.模型訓(xùn)練誤差和測試誤差均較低B.模型訓(xùn)練誤差低，測試誤差高C.模型訓(xùn)練誤差高，測試誤差高D.模型訓(xùn)練誤差高，測試誤差低6.光大銀行濟(jì)寧分行2024年信用卡用戶活躍度數(shù)據(jù)顯示，某季度用戶活躍度突然下降，以下哪個(gè)因素可能是主要原因？A.季節(jié)性因素（如春節(jié)）B.競爭對(duì)手推出優(yōu)惠活動(dòng)C.銀行系統(tǒng)維護(hù)導(dǎo)致用戶體驗(yàn)下降D.以上都是7.在數(shù)據(jù)可視化中，以下哪種圖表最適合展示不同城市信用卡交易量的對(duì)比？A.散點(diǎn)圖B.柱狀圖C.熱力圖D.餅圖8.假設(shè)某銀行客戶數(shù)據(jù)中，存在缺失值，以下哪種方法不適合處理缺失值？A.刪除缺失值B.均值填充C.使用模型預(yù)測缺失值D.將缺失值視為一個(gè)獨(dú)立類別9.在數(shù)據(jù)分析師工作中，以下哪個(gè)指標(biāo)常用于評(píng)估客戶流失風(fēng)險(xiǎn)？A.客戶滿意度B.客戶留存率C.交易頻率D.以上都是10.假設(shè)某銀行信用卡用戶數(shù)據(jù)中，交易金額分布右偏，以下哪種方法可以減小偏度？A.對(duì)數(shù)變換B.標(biāo)準(zhǔn)化C.平移變換D.二值化二、填空題（共5題，每題2分，合計(jì)10分）1.在數(shù)據(jù)預(yù)處理中，異常值的處理方法包括刪除、平滑和轉(zhuǎn)換。2.機(jī)器學(xué)習(xí)中的交叉驗(yàn)證主要用于防止模型過擬合。3.SQL中，使用GROUPBY語句可以對(duì)數(shù)據(jù)進(jìn)行分組統(tǒng)計(jì)。4.數(shù)據(jù)可視化中，箱線圖可以展示數(shù)據(jù)的分布情況，包括中位數(shù)、四分位數(shù)和異常值。5.光大銀行濟(jì)寧分行2024年客戶數(shù)據(jù)分析顯示，客戶年齡與信用卡使用頻率呈負(fù)相關(guān)關(guān)系。三、簡答題（共3題，每題10分，合計(jì)30分）1.簡述數(shù)據(jù)分析師在光大銀行濟(jì)寧分行可能面臨的業(yè)務(wù)場景及分析方法。（提示：結(jié)合銀行業(yè)務(wù)特點(diǎn)，如客戶流失分析、信用卡交易趨勢預(yù)測等。）2.如何使用SQL查詢光大銀行濟(jì)寧分行2024年信用卡用戶的月均交易金額？（提示：假設(shè)數(shù)據(jù)表名為`credit_card_transactions`，包含`user_id`、`transaction_date`和`amount`字段。）3.在機(jī)器學(xué)習(xí)中，如何選擇合適的模型評(píng)估指標(biāo)？請結(jié)合光大銀行濟(jì)寧分行的客戶數(shù)據(jù)分析場景舉例說明。（提示：例如，客戶流失預(yù)測場景下，可以選用AUC、準(zhǔn)確率等指標(biāo)。）四、編程題（共2題，每題15分，合計(jì)30分）1.使用Python（Pandas庫）分析光大銀行濟(jì)寧分行2024年信用卡用戶交易數(shù)據(jù)，計(jì)算以下內(nèi)容：-按城市分組，統(tǒng)計(jì)月均交易金額最高的前3個(gè)城市。-計(jì)算每個(gè)用戶的平均交易金額，并找出交易金額最高的前10名用戶。（提示：假設(shè)數(shù)據(jù)已加載到DataFrame`df`中，包含`city`、`user_id`和`amount`字段。）2.使用SQL查詢光大銀行濟(jì)寧分行2024年信用卡用戶數(shù)據(jù)，滿足以下條件：-查詢每個(gè)用戶的總交易金額，并按總金額降序排列。-篩選出總交易金額超過10萬元的用戶，并顯示用戶ID和總金額。（提示：假設(shè)數(shù)據(jù)表名為`credit_card_transactions`，包含`user_id`和`amount`字段。）答案及解析一、選擇題答案1.D2.D3.B4.B5.B6.D7.B8.D9.B10.A解析：-1.數(shù)據(jù)挖掘是分析階段，而非預(yù)處理方法。-2.ARIMA模型適用于時(shí)間序列的平穩(wěn)性和季節(jié)性分析。-3.AVG()用于計(jì)算平均值，其他選項(xiàng)分別用于求和、最大值和計(jì)數(shù)。-4.對(duì)數(shù)變換可以減小數(shù)據(jù)偏度，使其更接近正態(tài)分布。-5.過擬合表現(xiàn)為訓(xùn)練誤差低，測試誤差高。-6.多因素可能導(dǎo)致活躍度下降，需綜合分析。-7.柱狀圖適合對(duì)比不同類別的數(shù)據(jù)。-8.將缺失值視為獨(dú)立類別不適用于數(shù)值分析。-9.客戶留存率是評(píng)估流失風(fēng)險(xiǎn)的核心指標(biāo)。-10.對(duì)數(shù)變換可以減小右偏數(shù)據(jù)的偏度。二、填空題答案1.異常值2.交叉驗(yàn)證3.GROUPBY4.箱線圖5.客戶年齡解析：-1.數(shù)據(jù)預(yù)處理中需處理異常值，如刪除、平滑或轉(zhuǎn)換。-2.交叉驗(yàn)證用于評(píng)估模型泛化能力，防止過擬合。-3.SQL中GROUPBY用于分組統(tǒng)計(jì)。-4.箱線圖展示數(shù)據(jù)分布，包括中位數(shù)、四分位數(shù)和異常值。-5.客戶年齡與信用卡使用頻率可能存在相關(guān)性。三、簡答題答案1.數(shù)據(jù)分析師在光大銀行濟(jì)寧分行可能面臨的業(yè)務(wù)場景及分析方法：-客戶流失分析：通過分析客戶交易數(shù)據(jù)、行為特征等，構(gòu)建流失預(yù)測模型，識(shí)別高風(fēng)險(xiǎn)客戶并制定挽留策略。-信用卡交易趨勢預(yù)測：利用時(shí)間序列分析（如ARIMA、Prophet模型），預(yù)測未來交易趨勢，為營銷活動(dòng)提供依據(jù)。-城市客戶行為對(duì)比：分析不同城市客戶（如濟(jì)寧各區(qū)縣）的信用卡使用習(xí)慣，優(yōu)化區(qū)域營銷策略。分析方法：-統(tǒng)計(jì)分析：描述性統(tǒng)計(jì)、相關(guān)性分析。-機(jī)器學(xué)習(xí)：分類（如流失預(yù)測）、聚類（客戶分群）。-數(shù)據(jù)可視化：使用圖表展示分析結(jié)果。2.SQL查詢月均交易金額：sqlSELECTuser_id,AVG(amount)ASavg_monthly_amountFROMcredit_card_transactionsWHEREtransaction_dateBETWEEN'2024-01-01'AND'2024-12-31'ANDtransaction_dateLIKE'%-%-%'GROUPBYuser_idORDERBYavg_monthly_amountDESC;解析：-`AVG(amount)`計(jì)算月均交易金額。-`GROUPBYuser_id`按用戶分組。-`ORDERBY`降序排列。3.模型評(píng)估指標(biāo)選擇：-客戶流失預(yù)測場景：-AUC（AreaUndertheROCCurve）：適用于不均衡數(shù)據(jù)，衡量模型區(qū)分能力。-準(zhǔn)確率（Accuracy）：適用于均衡數(shù)據(jù)，但需注意誤報(bào)和漏報(bào)。-召回率（Recall）：優(yōu)先保留客戶，需關(guān)注高風(fēng)險(xiǎn)客戶識(shí)別。解析：-流失預(yù)測需關(guān)注高風(fēng)險(xiǎn)客戶，AUC和召回率更適用。四、編程題答案1.Python（Pandas）分析交易數(shù)據(jù)：pythonimportpandasaspd假設(shè)df是已加載的DataFramedf['transaction_date']=pd.to_datetime(df['transaction_date'])df['month']=df['transaction_date'].dt.month按城市分組，計(jì)算月均交易金額city_avg=df.groupby('city')['amount'].mean().sort_values(ascending=False).head(3)print("月均交易金額最高的城市：\n",city_avg)計(jì)算每個(gè)用戶的平均交易金額，并排序user_avg=df.groupby('user_id')['amount'].mean().sort_values(ascending=False).head(10)print("交易金額最高的用戶：\n",user_avg)2.SQL查詢總交易金額：sqlSELECTuser_id,SUM(amount)AStotal_amountFROMcredit_card_transactionsWHEREtransaction_dateBETWEEN'2024