2026年數(shù)據(jù)分析師面試題及操作指南一、選擇題（每題2分，共10題）1.在處理缺失值時(shí)，以下哪種方法最適合處理連續(xù)型變量數(shù)據(jù)（2分）A.刪除含有缺失值的行B.使用均值或中位數(shù)填充C.使用眾數(shù)填充D.KNN填充2.以下哪個(gè)指標(biāo)不適合用于評(píng)估分類模型的性能（2分）A.準(zhǔn)確率（Accuracy）B.F1分?jǐn)?shù)（F1-Score）C.AUC（AreaUnderCurve）D.偏差（Bias）3.在時(shí)間序列分析中，ARIMA模型主要適用于哪種類型的數(shù)據(jù)（2分）A.分類數(shù)據(jù)B.交叉數(shù)據(jù)C.平穩(wěn)時(shí)間序列D.非平穩(wěn)時(shí)間序列4.以下哪種技術(shù)最適合用于異常檢測(cè)（2分）A.決策樹B.線性回歸C.K-means聚類D.孤立森林（IsolationForest）5.在數(shù)據(jù)可視化中，以下哪種圖表最適合展示部分與整體的關(guān)系（2分）A.散點(diǎn)圖B.折線圖C.餅圖D.柱狀圖二、簡(jiǎn)答題（每題5分，共5題）6.簡(jiǎn)述數(shù)據(jù)清洗的主要步驟及其目的（5分）（要求：列出至少4個(gè)主要步驟，并簡(jiǎn)述每個(gè)步驟的目的）7.解釋什么是過擬合，并說明如何避免過擬合（5分）（要求：定義過擬合，并列出至少3種避免過擬合的方法）8.在A/B測(cè)試中，如何確定樣本量，并解釋其對(duì)測(cè)試結(jié)果的影響（5分）（要求：說明樣本量確定的方法，并解釋樣本量大小的影響）9.描述數(shù)據(jù)分析師在業(yè)務(wù)決策中如何提供數(shù)據(jù)支持（5分）（要求：結(jié)合實(shí)際業(yè)務(wù)場(chǎng)景，說明數(shù)據(jù)分析師如何通過數(shù)據(jù)分析影響業(yè)務(wù)決策）10.簡(jiǎn)述SQL中常用的聚合函數(shù)及其應(yīng)用場(chǎng)景（5分）（要求：列出至少5個(gè)聚合函數(shù)，并簡(jiǎn)述其應(yīng)用場(chǎng)景）三、操作題（共3題）11.數(shù)據(jù)清洗與預(yù)處理（15分）題目：假設(shè)你獲得了一份包含以下字段的銷售數(shù)據(jù)表（CSV格式）：-`訂單ID`（字符串）-`客戶姓名`（字符串，部分缺失）-`訂單日期`（日期，部分格式錯(cuò)誤）-`產(chǎn)品名稱`（字符串）-`數(shù)量`（數(shù)值，部分為空）-`價(jià)格`（數(shù)值，部分為負(fù)值）要求：①清理數(shù)據(jù)中的缺失值，并說明處理方法（5分）②修正日期格式錯(cuò)誤，并創(chuàng)建新的`年月`字段（5分）③處理異常值（如負(fù)值價(jià)格），并說明理由（5分）12.SQL查詢（20分）題目：假設(shè)你有一個(gè)電商數(shù)據(jù)庫(kù)，包含以下表：-`orders`（訂單表，字段：`order_id`、`customer_id`、`order_date`、`total_amount`）-`order_items`（訂單明細(xì)表，字段：`order_id`、`product_id`、`quantity`、`price`）-`products`（產(chǎn)品表，字段：`product_id`、`product_name`、`category`）要求：①查詢每個(gè)產(chǎn)品類別的總銷售額（10分）②查詢2025年每月的訂單數(shù)量及平均訂單金額（10分）13.數(shù)據(jù)建模與分析（30分）題目：假設(shè)你是一家電商公司的數(shù)據(jù)分析師，需要分析用戶購(gòu)買行為?，F(xiàn)有數(shù)據(jù)包括：-用戶注冊(cè)信息（`user_id`、`注冊(cè)日期`、`性別`、`年齡段`）-用戶購(gòu)買記錄（`order_id`、`user_id`、`購(gòu)買日期`、`商品ID`、`購(gòu)買金額`）要求：①構(gòu)建RFM模型，并分析用戶價(jià)值（15分）②根據(jù)用戶行為數(shù)據(jù)，提出至少3條有針對(duì)性的營(yíng)銷建議（15分）答案及解析一、選擇題答案1.B解析：對(duì)于連續(xù)型變量，均值和中位數(shù)是更合適的填充方法，因?yàn)楸姅?shù)適用于分類數(shù)據(jù)。刪除行會(huì)導(dǎo)致數(shù)據(jù)丟失，KNN填充計(jì)算復(fù)雜度較高。2.D解析：偏差是模型訓(xùn)練誤差的度量，不屬于分類模型性能評(píng)估指標(biāo)。準(zhǔn)確率、F1分?jǐn)?shù)和AUC都是常用的分類模型評(píng)估指標(biāo)。3.D解析：ARIMA（AutoregressiveIntegratedMovingAverage）模型適用于非平穩(wěn)時(shí)間序列數(shù)據(jù)，通過差分使其平穩(wěn)。其他選項(xiàng)分別適用于不同類型的數(shù)據(jù)。4.D解析：孤立森林算法通過隨機(jī)分割樣本，能有效識(shí)別異常點(diǎn)，適用于異常檢測(cè)。決策樹和線性回歸主要用于回歸或分類。K-means聚類用于數(shù)據(jù)分群。5.C解析：餅圖最適合展示部分與整體的比例關(guān)系。散點(diǎn)圖展示關(guān)系，折線圖展示趨勢(shì)，柱狀圖展示比較。二、簡(jiǎn)答題答案6.數(shù)據(jù)清洗的主要步驟及其目的①缺失值處理：刪除或填充缺失值，保證數(shù)據(jù)完整性（5分）②異常值檢測(cè)：識(shí)別并處理異常值，避免影響分析結(jié)果（5分）③數(shù)據(jù)格式統(tǒng)一：統(tǒng)一日期、數(shù)值等格式，便于分析（5分）④重復(fù)值處理：刪除重復(fù)記錄，保證數(shù)據(jù)唯一性（5分）7.過擬合及其避免方法定義：過擬合指模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)極好，但在新數(shù)據(jù)上表現(xiàn)差（5分）。避免方法：-增加數(shù)據(jù)量：擴(kuò)充訓(xùn)練集（5分）-正則化：如L1/L2懲罰（5分）-簡(jiǎn)化模型：減少參數(shù)（5分）8.A/B測(cè)試樣本量確定及影響確定方法：通過統(tǒng)計(jì)公式計(jì)算，考慮置信度、效果顯著度（5分）。影響：-樣本量過?。航Y(jié)果不可靠（5分）-樣本量過大：資源浪費(fèi)（5分）9.數(shù)據(jù)分析師如何提供業(yè)務(wù)決策支持-通過數(shù)據(jù)可視化展示業(yè)務(wù)趨勢(shì)（5分）-建立預(yù)測(cè)模型指導(dǎo)運(yùn)營(yíng)（5分）-識(shí)別業(yè)務(wù)瓶頸并提出改進(jìn)建議（5分）10.SQL聚合函數(shù)及其應(yīng)用-`SUM()`：計(jì)算總和（如銷售額）（5分）-`AVG()`：計(jì)算平均值（如平均價(jià)格）（5分）-`COUNT()`：統(tǒng)計(jì)數(shù)量（如訂單數(shù)）（5分）-`MAX()`：找最大值（如最高價(jià)格）（5分）-`MIN()`：找最小值（如最低價(jià)格）（5分）三、操作題答案11.數(shù)據(jù)清洗與預(yù)處理①缺失值處理：-客戶姓名：刪除缺失值（5分）-數(shù)量：填充均值（5分）-價(jià)格：填充中位數(shù)（5分）②日期格式修正：SQLALTERTABLEsalesADDCOLUMN年月DATE;UPDATEsalesSET年月=STR_TO_DATE(訂單日期,'%Y-%m-%d');（5分）③處理異常值：SQLUPDATEsalesSET價(jià)格=NULLWHERE價(jià)格<0;理由：價(jià)格不應(yīng)為負(fù)，用NULL替代（5分）12.SQL查詢①類別總銷售額：SQLSELECTcategory,SUM(order_items.priceorder_items.quantity)AStotal_salesFROMorder_itemsJOINproductsONorder_duct_id=duct_idGROUPBYcategory;（10分）②月度訂單統(tǒng)計(jì)：SQLSELECTMONTH(order_date)ASmonth,COUNT(order_id)ASorder_count,AVG(total_amount)ASavg_amountFROMordersWHEREYEAR(order_date)=2025GROUPBYmonth;（10分）13.數(shù)據(jù)建模與分析①RFM模型構(gòu)建：SQLSELECTuser_id,RANK()OVER(PARTITIONBYuser_idORDERBYMAX(DATEDIFF(CURRENT_DATE,購(gòu)買日期)))ASR,COUNT(DISTINCTorder_id)A