銀行數(shù)據(jù)分析2025年專項(xiàng)訓(xùn)練考核試卷（含答案）考試時(shí)間：______分鐘總分：______分姓名：______一、選擇題（每題2分，共20分）1.下列哪項(xiàng)不屬于銀行數(shù)據(jù)分析的主要應(yīng)用領(lǐng)域？A.客戶信用風(fēng)險(xiǎn)評(píng)估B.精準(zhǔn)營(yíng)銷與客戶流失預(yù)測(cè)C.銀行內(nèi)部運(yùn)營(yíng)效率優(yōu)化D.政府宏觀經(jīng)濟(jì)政策制定2.在數(shù)據(jù)預(yù)處理階段，處理缺失值的一種常用方法是使用該特征的均值或中位數(shù)填充。這種方法的缺點(diǎn)是可能不會(huì)改變?cè)紨?shù)據(jù)的分布形態(tài)。A.均值B.中位數(shù)C.眾數(shù)D.標(biāo)準(zhǔn)差3.對(duì)于分類變量，常用的可視化方法不包括：A.直方圖B.散點(diǎn)圖C.餅圖或條形圖D.箱線圖4.在銀行信貸風(fēng)險(xiǎn)評(píng)估中，通常使用邏輯回歸模型。該模型主要輸出的是借款人違約的。A.真實(shí)概率值B.確定性的違約結(jié)果C.違約原因分析D.違約損失金額5.以下關(guān)于A/B測(cè)試的說法，錯(cuò)誤的是：A.A/B測(cè)試是一種通過對(duì)比兩種或多種版本的效果來(lái)優(yōu)化決策的方法。B.A/B測(cè)試中，通常將用戶隨機(jī)分配到不同的版本組。C.A/B測(cè)試的主要目的是確定哪個(gè)版本更能實(shí)現(xiàn)預(yù)設(shè)的業(yè)務(wù)目標(biāo)。D.A/B測(cè)試的成本通常低于全面推廣新策略的成本。6.SQL語(yǔ)句中，用于對(duì)數(shù)據(jù)進(jìn)行排序的子句是：A.`WHERE`B.`GROUPBY`C.`ORDERBY`D.`SELECT`7.在銀行客戶細(xì)分中，基于客戶交易頻率和交易金額進(jìn)行聚類分析，這種方法主要屬于：A.基于內(nèi)容的推薦系統(tǒng)B.異常檢測(cè)C.客戶畫像與細(xì)分D.風(fēng)險(xiǎn)預(yù)測(cè)建模8.衡量一個(gè)分類模型預(yù)測(cè)性能的指標(biāo)中，召回率（Recall）關(guān)注的是：A.真正例占實(shí)際正例的比例B.真正例占預(yù)測(cè)正例的比例C.真負(fù)例占實(shí)際負(fù)例的比例D.真負(fù)例占預(yù)測(cè)負(fù)例的比例9.銀行在進(jìn)行反欺詐分析時(shí)，常常需要處理的數(shù)據(jù)類型中，不屬于結(jié)構(gòu)化數(shù)據(jù)的是：A.客戶交易流水記錄B.客戶基本信息表C.社交網(wǎng)絡(luò)關(guān)系圖譜D.ATM使用日志10.以下哪種技術(shù)不適合用于處理銀行數(shù)據(jù)中的高維稀疏問題？A.主成分分析（PCA）B.線性回歸C.Lasso回歸D.降維自編碼器二、填空題（每空2分，共20分）1.數(shù)據(jù)庫(kù)查詢中，`INNERJOIN`操作符用于獲取兩個(gè)表中匹配的記錄。2.在進(jìn)行相關(guān)性分析時(shí)，變量X和Y之間的相關(guān)系數(shù)絕對(duì)值越接近1，表示它們之間的線性關(guān)系越強(qiáng)。3.機(jī)器學(xué)習(xí)模型評(píng)估中，當(dāng)模型對(duì)訓(xùn)練數(shù)據(jù)擬合過度時(shí)，通常會(huì)出現(xiàn)過擬合問題，導(dǎo)致模型在新的、未見過的數(shù)據(jù)上表現(xiàn)不佳。4.銀行客戶數(shù)據(jù)脫敏處理的目的主要是為了保護(hù)客戶隱私，滿足相關(guān)法律法規(guī)的要求。5.對(duì)于時(shí)間序列數(shù)據(jù)，如果數(shù)據(jù)的均值和方差隨時(shí)間推移呈現(xiàn)明顯的上升或下降趨勢(shì)，則可能存在趨勢(shì)性。6.在銀行營(yíng)銷分析中，通過分析客戶的歷史行為數(shù)據(jù)來(lái)預(yù)測(cè)其未來(lái)可能的購(gòu)買行為，這屬于預(yù)測(cè)性分析的應(yīng)用。7.邏輯回歸模型本質(zhì)上是在求解一個(gè)邏輯函數(shù)，其輸出結(jié)果通常被解釋為概率。8.數(shù)據(jù)聚合操作（如計(jì)算分組后的均值、計(jì)數(shù)等）在SQL中常用`GROUPBY`子句實(shí)現(xiàn)。9.評(píng)估模型泛化能力常用的方法之一是使用交叉驗(yàn)證技術(shù)。10.對(duì)數(shù)據(jù)進(jìn)行探索性分析（EDA）的目的是為了初步了解數(shù)據(jù)特征、發(fā)現(xiàn)數(shù)據(jù)中的模式、關(guān)系和異常值，為后續(xù)的建模工作提供指導(dǎo)。三、簡(jiǎn)答題（每題5分，共15分）1.簡(jiǎn)述銀行數(shù)據(jù)分析師在日常工作中需要進(jìn)行數(shù)據(jù)清洗的主要原因。2.請(qǐng)簡(jiǎn)述邏輯回歸模型適用于銀行客戶信用風(fēng)險(xiǎn)評(píng)估的原因。3.解釋什么是特征工程，并列舉至少三種常見的特征工程方法。四、計(jì)算題（共15分）假設(shè)某銀行信用部門收集了100位客戶的樣本數(shù)據(jù)，其中包括每月消費(fèi)金額（萬(wàn)元）、月收入（萬(wàn)元）和信用評(píng)分（滿分100分）。經(jīng)過計(jì)算，得到以下統(tǒng)計(jì)量：樣本均值：月消費(fèi)金額μ_X=3.5,月收入μ_Y=8.0樣本標(biāo)準(zhǔn)差：σ_X=1.2,σ_Y=2.5樣本相關(guān)系數(shù)r=0.75樣本量n=100現(xiàn)要求：（1）計(jì)算月消費(fèi)金額與月收入之間的協(xié)方差。（2）若某人月收入為10萬(wàn)元，根據(jù)以上數(shù)據(jù)，利用簡(jiǎn)單的線性關(guān)系（不考慮其他因素），估算其大致的月消費(fèi)金額。（3）解釋協(xié)方差和相關(guān)系數(shù)在衡量?jī)蓚€(gè)變量關(guān)系時(shí)的區(qū)別。五、實(shí)操題（共25分）假設(shè)你需要使用SQL查詢銀行數(shù)據(jù)庫(kù)，完成以下數(shù)據(jù)分析任務(wù)。請(qǐng)寫出相應(yīng)的SQL查詢語(yǔ)句。（1）查詢2024年1月至2024年12月期間，每個(gè)月累計(jì)發(fā)放的貸款總額，結(jié)果按月份升序排列。（假定存在貸款發(fā)放表`LoanDisbursement`，包含字段：`LoanID`,`Amount`,`DisbursementDate`）（2）查詢所有客戶的基本信息（假定存在客戶表`Customer`，包含字段：`CustomerID`,`Name`,`Age`,`Gender`,`BranchID`）以及他們最近一次交易金額（假定存在交易表`Transaction`，包含字段：`TransactionID`,`CustomerID`,`Amount`,`TransactionDate`），要求僅顯示最近一次交易金額大于5000元的客戶記錄。（提示：可能需要使用子查詢或窗口函數(shù)）（3）查詢每個(gè)網(wǎng)點(diǎn)（Branch）的客戶數(shù)量以及該網(wǎng)點(diǎn)客戶平均月消費(fèi)金額，要求僅包含客戶數(shù)量大于10的客戶網(wǎng)點(diǎn)信息。（假定存在網(wǎng)點(diǎn)表`Branch`，包含字段：`BranchID`,`BranchName`；假定存在客戶交易表`CustomerTransaction`，包含字段：`CustomerID`,`BranchID`,`Amount`,`TransactionDate`）試卷答案一、選擇題1.D2.A3.B4.A5.B6.C7.C8.A9.C10.B二、填空題1.相同2.線性3.過擬合4.保護(hù)5.趨勢(shì)性6.預(yù)測(cè)性7.邏輯函數(shù)8.GROUPBY9.交叉驗(yàn)證10.提供三、簡(jiǎn)答題1.解析思路：數(shù)據(jù)清洗是數(shù)據(jù)分析流程中至關(guān)重要的一步。銀行數(shù)據(jù)來(lái)源多樣（交易系統(tǒng)、CRM、外部征信等），往往存在不準(zhǔn)確、不完整、不一致、不相關(guān)、不規(guī)范等問題。不進(jìn)行清洗直接分析，會(huì)導(dǎo)致分析結(jié)果偏差甚至錯(cuò)誤，影響業(yè)務(wù)決策的準(zhǔn)確性。清洗能提高數(shù)據(jù)質(zhì)量，確保分析結(jié)果的有效性和可靠性，是保證分析工作順利進(jìn)行的基礎(chǔ)。2.解析思路：邏輯回歸模型適用于信用風(fēng)險(xiǎn)評(píng)估的原因：①輸出結(jié)果為概率（0到1之間），可以直接解釋為違約概率，符合風(fēng)險(xiǎn)評(píng)估的需求；②模型假設(shè)因變量為二分類（如違約/不違約），與信用評(píng)分的類別對(duì)應(yīng)；③模型包含線性項(xiàng)和邏輯函數(shù)，能夠捕捉變量與結(jié)果之間的線性關(guān)系，并通過邏輯函數(shù)將其映射到概率空間；④模型相對(duì)簡(jiǎn)單，易于理解和實(shí)現(xiàn)，計(jì)算效率高，適合處理銀行大規(guī)?？蛻魯?shù)據(jù)；⑤模型參數(shù)具有經(jīng)濟(jì)含義，可解釋性強(qiáng)，有助于理解影響信用風(fēng)險(xiǎn)的關(guān)鍵因素。3.解析思路：特征工程是指從原始數(shù)據(jù)中提取、構(gòu)造、轉(zhuǎn)換出新的、更具信息量、更能有效表征目標(biāo)變量的特征的過程。其目的是提升模型的預(yù)測(cè)性能和解釋性。常見方法包括：①特征提取：從現(xiàn)有數(shù)據(jù)中衍生新特征，如從日期中提取星期幾、月份等；②特征構(gòu)造：根據(jù)業(yè)務(wù)理解或領(lǐng)域知識(shí)組合現(xiàn)有特征，如計(jì)算月均消費(fèi)、年齡分段等；③特征轉(zhuǎn)換：改變特征的分布或尺度，如對(duì)偏態(tài)特征進(jìn)行對(duì)數(shù)變換、使用標(biāo)準(zhǔn)化或歸一化；④特征選擇：從眾多特征中篩選出最相關(guān)、最重要的特征，減少維度，降低模型復(fù)雜度，如使用過濾法、包裹法或嵌入法。四、計(jì)算題（1）協(xié)方差計(jì)算：協(xié)方差公式：Cov(X,Y)=σ_Xσ_Y*r代入數(shù)值：Cov(月消費(fèi)金額,月收入)=1.2*2.5*0.75=2.25答案：協(xié)方差為2.25。（2）估算月消費(fèi)金額：簡(jiǎn)單線性關(guān)系可表示為Y=a+bX，其中Y為月消費(fèi)，X為月收入。這里假設(shè)截距a為0（或未提供足夠信息確定），重點(diǎn)看比例關(guān)系。根據(jù)均值和協(xié)方差關(guān)系，或直接利用相關(guān)系數(shù)定義，大致估算Y≈r*(X-μ_X)+μ_Y。更直接地，當(dāng)X=μ_Y時(shí)，Y≈r*(μ_Y-μ_X)+μ_X。或者利用均值線性關(guān)系Y=μ_Y+(μ_X/μ_Y)*X。這里用后者更直觀：Y≈(3.5/8.0)*10=4.375。或者基于協(xié)方差和方差計(jì)算回歸系數(shù)b=Cov(X,Y)/Var(X)=2.25/(1.2^2)=1.5625，則Y≈b*X=1.5625*10=15.625。鑒于題目要求“估算”，且收入高于均值，消費(fèi)也應(yīng)高于均值，選項(xiàng)4.375基于比例計(jì)算更符合直覺，但15.625基于完整線性回歸計(jì)算更精確。按常見考試習(xí)慣，若未強(qiáng)調(diào)完整回歸，可考慮比例關(guān)系。此處按比例計(jì)算：Y≈(3.5/8.0)*10=4.375。為統(tǒng)一，采用基于均值的簡(jiǎn)化線性關(guān)系估算：當(dāng)收入為10萬(wàn)時(shí)，消費(fèi)約為(10-8)*(3.5/(3.5-8))+8=-3.5+8=4.375。此方法有誤。更正估算方法：使用Y=β0+β1X+ε的簡(jiǎn)化，若假設(shè)β0=0，則Y≈β1X。β1=Cov(X,Y)/Var(X)=2.25/(1.2^2)=1.5625。所以Y≈1.5625*10=15.625?；蛘遈=r*(X-μX)/σX+μY≈0.75*(10-3.5)/1.2+3.5=0.75*4.5833+3.5≈3.437+3.5=6.937。此方法也有誤。最直接的比例關(guān)系是Y≈(X/μX)*μY=(10/3.5)*3.5=10。此結(jié)果過于簡(jiǎn)單。重新審視，題目要求“估算”，可能允許簡(jiǎn)化。使用Y=a+bX，a=0，b=Cov(X,Y)/Var(X)=2.25/1.44=1.5625。所以Y≈1.5625*10=15.625。這是基于完整線性回歸的最精確估算。考慮到題目背景是銀行，可能需要更保守的估計(jì)。重新思考題目意圖，是否指當(dāng)收入高于均值時(shí)，消費(fèi)大約是收入的某個(gè)比例？μX=3.5,μY=8.0,σX=1.2,σY=2.5,r=0.75。回歸系數(shù)b=r*σY/σX=0.75*2.5/1.2=1.5625。所以Y=8+b*(10-8)=8+1.5625*2=8+3.125=11.125。此結(jié)果仍偏大。另一種估算思路，收入10萬(wàn)是均值的(10-8)/1.2=1.667倍，消費(fèi)均值是3.5萬(wàn)。如果消費(fèi)與收入同比例增長(zhǎng)，則消費(fèi)是3.5*1.667=5.833萬(wàn)。這也不合理?？紤]回歸線Y=8+1.5625*(X-8)+3.5=11.125+1.5625X-12.5=1.5625X-1.375。當(dāng)X=10時(shí)，Y=1.5625*10-1.375=15.625-1.375=14.25。這個(gè)計(jì)算過程正確，但結(jié)果似乎偏高。題目可能期望一個(gè)更接近均值的估算。也許題目意在考察協(xié)方差和均值的簡(jiǎn)單關(guān)系？Cov(X,Y)=2.25，意味著收入每增加1單位，消費(fèi)平均增加約2.25單位。當(dāng)收入為10時(shí)，消費(fèi)比均值8高出(10-8)*2.25=4.5單位。所以估算消費(fèi)為8+4.5=12.5。這個(gè)邏輯更符合直覺且數(shù)值合理。答案：估算月消費(fèi)金額為12.5萬(wàn)元。（3）解釋協(xié)方差和相關(guān)系數(shù)區(qū)別：協(xié)方差（Cov(X,Y)）衡量了兩個(gè)隨機(jī)變量X和Y的聯(lián)合變化方向和程度。正值表示同向變化，負(fù)值表示反向變化，絕對(duì)值大小表示變化幅度。但協(xié)方差的大小受兩個(gè)變量自身量綱和變異程度的影響，不具有可比性，難以直接解釋其變化強(qiáng)度。相關(guān)系數(shù)（r）是協(xié)方差標(biāo)準(zhǔn)化后的結(jié)果，其取值范圍在[-1,1]之間。它消除了量綱和變異程度的影響，純粹衡量了X和Y之間線性關(guān)系的強(qiáng)度和方向。r=1表示完全正相關(guān)，r=-1表示完全負(fù)相關(guān)，r=0表示無(wú)線性相關(guān)。因此，相關(guān)系數(shù)具有更強(qiáng)的可比性，更常用于衡量和解釋兩個(gè)變量間線性關(guān)系的密切程度。五、實(shí)操題（1）```sqlSELECTDATE_FORMAT(DisbursementDate,'%Y-%m')AS`Month`,SUM(Amount)AS`TotalLoanAmount`FROMLoanDisbursementWHEREDisbursementDate>='2024-01-01'ANDDisbursementDate<'2025-01-01'GROUPBY`Month`ORDERBY`Month`ASC;```（2）```sqlSELECTc.CustomerID,c.Name,c.Age,c.Gender,c.BranchID,MAX(t.Amount)AS`LastTransactionAmount`FROMCustomercJOIN(SELECTCustomerID,Amount,TransactionDate,ROW_NUMBER()OVER(PARTITIONBYCustomerIDORDERBYTransactionDateDESC)ASrnFROMTransaction)tONc.CustomerID=t.CustomerIDWHEREt.rn=1ANDt.Amount>5000GROUPBYc.CustomerID,c.Name,c.Age,c.Gender,c.BranchID;```*解析思路（選項(xiàng)2）：*需要找到每個(gè)客戶的最近一次交易。使用子查詢，對(duì)每個(gè)客戶的交易記錄按日期降序排列，使用`ROW_NUMBER()`窗口函數(shù)賦予每條記錄一個(gè)序號(hào)（rn），序號(hào)從1開始。`PARTITIONBYCustomerID`確保序號(hào)是按客戶重新計(jì)算的。`ORDERBYTransactionDateDESC`保證最新的交易記錄獲得rn=1。外層查詢連接客戶表和這個(gè)子查詢結(jié)果，連接條件是`CustomerID`。通過`WHEREt.rn=1`篩選出每個(gè)客戶的最新交易記錄。再通過`ANDt.Amount>5000`過濾出交易金額大于5000的記錄。最后按客戶信息分組，并選擇客戶信息和最新交易金額。（3）```sqlSELECTb.BranchID,b.BranchName,COUNT(cus.CustomerID)AS`CustomerCount`,AVG(cus.AvgMonthlySpending)AS`AverageMonthlySpending`FROMBranchbJOIN(SELECTCustomerID,BranchID,AVG(Amount)AS`AvgMonthlySpending`