2026年數(shù)據(jù)分析師招聘筆試試題及答案一、單項(xiàng)選擇題（每題2分，共20分）1.某電商公司2025年12月訂單表包含字段order_id、user_id、sku_id、price、qty、order_date。現(xiàn)需計(jì)算當(dāng)月“人均消費(fèi)件單價(jià)”，下列SQL寫法正確的是A.SELECTSUM(priceqty)/COUNT(DISTINCTuser_id)FROMordersB.SELECTAVG(priceqty)FROMordersC.SELECTSUM(priceqty)/COUNT()FROMordersD.SELECTAVG(price)FROMorders答案：A解析：人均消費(fèi)件單價(jià)=總銷售額/去重用戶數(shù)，需先求priceqty再聚合。2.在Python中，對(duì)DataFramedf按列A分組后求列B的Top3頻次值，正確寫法是A.df.groupby('A')['B'].value_counts().groupby(level=0).head(3)B.df.groupby('A')['B'].apply(lambdax:x.value_counts().head(3))C.df.groupby('A')['B'].agg(lambdax:x.value_counts().head(3))D.df.groupby('A')['B'].nlargest(3)答案：B解析：先按A分組，再對(duì)每組B做value_counts，取每組Top3，返回多級(jí)Series。3.某模型在訓(xùn)練集AUC=0.98，驗(yàn)證集AUC=0.72，測(cè)試集AUC=0.71，最可能的問(wèn)題是A.特征泄露B.欠擬合C.樣本不平衡D.標(biāo)簽錯(cuò)誤答案：A解析：訓(xùn)練集遠(yuǎn)高于驗(yàn)證/測(cè)試，且差距巨大，典型特征泄露。4.時(shí)間序列數(shù)據(jù)呈現(xiàn)“趨勢(shì)+季節(jié)+噪聲”，使用STL分解后，欲對(duì)季節(jié)項(xiàng)做預(yù)測(cè)，最佳方法是A.季節(jié)Na?veB.Holt-Winters乘法C.SARIMAD.Prophet答案：C解析：STL已將季節(jié)項(xiàng)單獨(dú)剝離，SARIMA可對(duì)剝離后的季節(jié)項(xiàng)建模并外推。5.在AB實(shí)驗(yàn)中，若檢驗(yàn)指標(biāo)為連續(xù)型，樣本量計(jì)算公式中不影響最小樣本量的是A.顯著性水平αB.檢驗(yàn)效能1-βC.指標(biāo)方差D.實(shí)驗(yàn)周期答案：D解析：周期長(zhǎng)短影響收集速度，但不進(jìn)入樣本量公式。6.使用LightGBM時(shí)，為了抑制過(guò)擬合，下列參數(shù)組合最合理的是A.max_depth=15,num_leaves=400,min_data_in_leaf=1B.max_depth=6,num_leaves=50,min_data_in_leaf=20,reg_lambda=1C.learning_rate=0.9,n_estimators=10D.subsample=0.1,colsample_bytree=0.1答案：B解析：降低樹復(fù)雜度、增加葉節(jié)點(diǎn)最小樣本、加正則，均為抑制過(guò)擬合手段。7.某日志表每日增量約200GB，需按user_id做近30天去重統(tǒng)計(jì)，最節(jié)省資源的方案是A.每日全表掃描后去重B.使用Bitmap精確去重C.使用HyperLogLog近似去重D.使用布隆過(guò)濾器+每日merge答案：C解析：HyperLogLog誤差可控，內(nèi)存占用極低，適合大數(shù)據(jù)量近似去重。8.在Tableau中，將日期字段拖至列功能區(qū)后默認(rèn)聚合為“年”，若需展示連續(xù)日，應(yīng)A.右鍵→精確日期B.右鍵→離散日期C.拖至詳細(xì)信息D.改為字符串答案：A解析：精確日期為連續(xù)型，可形成連續(xù)軸。9.某標(biāo)簽體系將用戶分為高、中、低價(jià)值，若用聚類實(shí)現(xiàn)，最需先處理的步驟是A.變量標(biāo)準(zhǔn)化B.變量離散化C.變量降維D.缺失值插補(bǔ)答案：A解析：K-means等算法對(duì)量綱敏感，需先標(biāo)準(zhǔn)化。10.數(shù)據(jù)倉(cāng)庫(kù)中，SlowlyChangingDimensionType2的做法是A.直接更新原行B.新增一行并標(biāo)記舊行失效C.新增一列保存歷史值D.新建歷史表答案：B解析：Type2通過(guò)新增行保留歷史快照，并加生效時(shí)間戳。二、多項(xiàng)選擇題（每題3分，共15分）11.下列屬于特征選擇過(guò)濾法的是A.方差選擇B.卡方檢驗(yàn)C.L1正則D.互信息E.遞歸特征消除答案：ABD解析：C、E為嵌入法與包裹法。12.關(guān)于HiveSQL優(yōu)化，正確的有A.分區(qū)裁剪可減小掃描量B.小文件過(guò)多會(huì)降低NameNode壓力C.開(kāi)啟MapJoin可避免數(shù)據(jù)傾斜D.使用ORC+SNAPPY可減少磁盤IOE.使用count(1)比count()更快答案：ACD解析：B應(yīng)為增加NameNode壓力；count(1)與count()在Hive無(wú)差異。13.以下Python代碼可正確實(shí)現(xiàn)“對(duì)df按user_id分組后計(jì)算列C的累計(jì)百分位”的是A.df.groupby('user_id')['C'].expanding().quantile(0.9)B.df.groupby('user_id')['C'].rolling(window=len(df),min_periods=1).quantile(0.9)C.df.groupby('user_id').apply(lambdax:x['C'].expanding().quantile(0.9))D.df.groupby('user_id')['C'].cumsum()/df.groupby('user_id')['C'].transform('sum')E.df.groupby('user_id')['C'].transform(lambdax:x.expanding().quantile(0.9))答案：ACE解析：B窗口固定；D為累計(jì)占比而非百分位。14.在構(gòu)建用戶流失模型時(shí)，可用于定義“流失”的口徑有A.近30天無(wú)登錄B.近7天無(wú)支付且近14天無(wú)瀏覽C.距離上次登錄超過(guò)90百分位D.客服標(biāo)記“流失”標(biāo)簽E.歷史最大間隔+3σ答案：ABCE解析：D為主觀標(biāo)簽，需驗(yàn)證一致性。15.關(guān)于數(shù)據(jù)可視化原則，正確的有A.餅圖類別不宜超過(guò)5個(gè)B.折線圖縱軸必須從0開(kāi)始C.熱力圖適合展示矩陣型數(shù)據(jù)D.箱線圖可識(shí)別異常值E.3D柱狀圖可增強(qiáng)表達(dá)力答案：ACD解析：B不一定；E常造成遮擋。三、填空題（每空2分，共20分）16.在MySQL中，查看某表索引使用情況的命令是______。答案：SHOWINDEXFROM表名17.若隨機(jī)變量X~N(μ,σ2)，則P(μ-1.96σ≤X≤μ+1.96σ)=______。答案：0.9518.在Python中，使用pandas將字符串'2026-03-01'轉(zhuǎn)為datetime64[ns]的代碼為_(kāi)_____。答案：pd.to_datetime('2026-03-01')19.某電商首頁(yè)UV轉(zhuǎn)化率=支付成功UV/首頁(yè)UV，若某日首頁(yè)UV=5×10?，支付成功UV=2×10?，則轉(zhuǎn)化率為_(kāi)_____%。答案：420.在Linux中，將文件file.csv按第2列數(shù)值降序排序并取前100行的命令是______。答案：sort-t,-k2,2nrfile.csv|head-n10021.在Spark中，RDD的______操作會(huì)觸發(fā)實(shí)際計(jì)算。答案：action22.若某模型F1-score=0.8，precision=0.9，則recall=______。答案：0.72解析：F1=2PR/(P+R)→R=0.7223.在Excel中，計(jì)算一列數(shù)據(jù)的中位數(shù)函數(shù)為_(kāi)_____。答案：MEDIAN24.使用Pythonseaborn繪制兩變量散點(diǎn)圖并加回歸線，函數(shù)名為_(kāi)_____。答案：sns.regplot25.數(shù)據(jù)治理元數(shù)據(jù)通常分為業(yè)務(wù)元數(shù)據(jù)、技術(shù)元數(shù)據(jù)與______元數(shù)據(jù)。答案：管理四、判斷題（每題1分，共10分）26.在顯著性水平α=0.05下，若p值=0.04，則原假設(shè)一定錯(cuò)誤。答案：×解析：僅說(shuō)明拒絕原假設(shè)，但仍有4%可能犯第一類錯(cuò)誤。27.使用Z-score標(biāo)準(zhǔn)化后，新變量均值為0，方差為1。答案：√28.在Hive中，LEFTSEMIJOIN返回左表全部記錄。答案：×解析：僅返回左表能與右表匹配的行。29.數(shù)據(jù)倉(cāng)庫(kù)分層中，DWD層保存的是經(jīng)過(guò)清洗的明細(xì)數(shù)據(jù)。答案：√30.在Python中，list的append操作時(shí)間復(fù)雜度為O(n)。答案：×解析：平均O(1)，擴(kuò)容時(shí)才O(n)。31.使用PCA降維后，主成分之間相關(guān)系數(shù)為0。答案：√32.在Tableau中，計(jì)算字段無(wú)法使用表計(jì)算函數(shù)。答案：×解析：可使用WINDOW、RUNNING等表計(jì)算函數(shù)。33.在AB實(shí)驗(yàn)里，若指標(biāo)服從二項(xiàng)分布，可用Z檢驗(yàn)近似。答案：√34.使用K-fold交叉驗(yàn)證時(shí)，k越大，偏差越小，方差越大。答案：√35.在Linux中，awk默認(rèn)分隔符為空格。答案：√五、簡(jiǎn)答題（每題8分，共24分）36.描述一次完整的數(shù)據(jù)埋點(diǎn)治理流程，并說(shuō)明如何驗(yàn)證埋點(diǎn)質(zhì)量。答案：1.需求評(píng)審：產(chǎn)品、數(shù)據(jù)、開(kāi)發(fā)三方對(duì)齊指標(biāo)定義與口徑。2.埋點(diǎn)設(shè)計(jì)：輸出埋點(diǎn)文檔，含事件名、屬性、觸發(fā)時(shí)機(jī)、上報(bào)格式。3.開(kāi)發(fā)聯(lián)調(diào)：開(kāi)發(fā)在測(cè)試環(huán)境觸發(fā)事件，數(shù)據(jù)組使用抓包工具驗(yàn)證字段完整性。4.測(cè)試驗(yàn)收：構(gòu)造邊界場(chǎng)景，校驗(yàn)屬性缺失率、空值率、枚舉值一致性。5.灰度監(jiān)控：上線后對(duì)比日志與ODS表，T+1跑校驗(yàn)SQL，核心維度差異>1%觸發(fā)告警。6.質(zhì)量輸出缺失率、延遲率、重復(fù)率、錯(cuò)誤率四指標(biāo)，持續(xù)三周達(dá)標(biāo)后結(jié)項(xiàng)。驗(yàn)證方法：a.對(duì)比日志與數(shù)據(jù)庫(kù)，計(jì)算接收率=DB條數(shù)/日志條數(shù)；b.使用唯一標(biāo)識(shí)去重，計(jì)算重復(fù)率；c.對(duì)枚舉值字段做白名單匹配，計(jì)算錯(cuò)誤率；d.延遲監(jiān)控：事件產(chǎn)生到入庫(kù)延遲>5min占比。37.解釋“數(shù)據(jù)傾斜”在SparkSQL中的成因、現(xiàn)象及四種以上解決方案。答案：成因：key分布極不均勻，導(dǎo)致某分區(qū)數(shù)據(jù)量遠(yuǎn)大于平均，引發(fā)長(zhǎng)尾Task?，F(xiàn)象：Stage頁(yè)面大部分Task秒級(jí)完成，個(gè)別Task耗時(shí)數(shù)十分鐘甚至OOM。解決方案：1.加鹽打散：對(duì)熱點(diǎn)key拼接隨機(jī)前綴，聚合后二次匯總。2.兩階段聚合：先局部聚合，再全局聚合，減少Shuffle量。3.廣播Join：當(dāng)小表<10MB，使用broadcasthint避免Shuffle。4.自定義分區(qū)：實(shí)現(xiàn)Partitioner，將熱點(diǎn)key均勻拆分到多分區(qū)。5.過(guò)濾傾斜key：若熱點(diǎn)key對(duì)結(jié)果無(wú)意義，可先行過(guò)濾。6.增加并行度：提高spark.sql.shuffle.partitions，使大分區(qū)變細(xì)。38.說(shuō)明如何構(gòu)建“用戶商品偏好得分”特征，并給出特征工程細(xì)節(jié)與上線流程。答案：步驟：1.樣本抽取：取近90天有過(guò)交互（瀏覽/加購(gòu)/支付）的(user,sku)對(duì)，正負(fù)采樣1:3。2.標(biāo)簽定義：支付=1，瀏覽未支付=0。3.特征構(gòu)造：a.用戶側(cè)：近30天支付次數(shù)、客單價(jià)、類目多樣性、活躍度。b.商品側(cè)：銷量、庫(kù)存、折扣率、評(píng)分、上新天數(shù)。c.交叉?zhèn)龋河脩粼谠擃惸肯轮Ц墩急?、用戶?duì)該品牌復(fù)購(gòu)周期、用戶-商品瀏覽天數(shù)序列（取最近7天均值、標(biāo)準(zhǔn)差、衰減加權(quán)）。4.特征處理：a.缺失值：數(shù)值型用中位數(shù)，類別型用“未知”。b.標(biāo)準(zhǔn)化：RobustScaler抑制異常值。c.降維：對(duì)高維類目one-hot使用PCA壓縮至20維。5.模型訓(xùn)練：使用XGBoost，調(diào)參后AUC=0.87，TOP1%召回率65%。6.上線流程：a.訓(xùn)練后導(dǎo)出PMML，通過(guò)Airflow每日晨跑批預(yù)測(cè)，輸出(user_id,sku_id,score)落Hive表。b.提供REST接口，業(yè)務(wù)方傳入user_id，返回TOP100商品，RT<50ms。c.監(jiān)控：每日對(duì)比預(yù)測(cè)分與真實(shí)支付率，PSI>0.2觸發(fā)重訓(xùn)。六、計(jì)算題（共21分）39.某短視頻App進(jìn)行Push文案AB實(shí)驗(yàn)，對(duì)照組曝光100萬(wàn)，點(diǎn)擊2萬(wàn)，實(shí)驗(yàn)組曝光110萬(wàn)，點(diǎn)擊2.7萬(wàn)。（1）計(jì)算兩組點(diǎn)擊率及相對(duì)提升率。（4分）（2）使用Two-proportionZ-test檢驗(yàn)差異是否顯著（α=0.05）。（7分）（3）若次日留存提升0.3pp，實(shí)驗(yàn)組留存率6.2%，對(duì)照組5.9%，求需多少樣本才能80%檢出該差異。（10分）答案：（1）對(duì)照CTR=20000/1000000=2.00%實(shí)驗(yàn)CTR=27000/1100000≈2.45%相對(duì)提升=(2.45%-2.00%)/2.00%=22.5%（2）p1=0.02,n1=1e6,p2=0.0245,n2=1.1e6P_pool=(20000+27000)/(1e6+1.1e6)=0.0226Z=(p2-p1)/√[P_pool(1-P_pool)(1/n1+1/n2)]=0.0045/√[0.0226×0.9774×(1e-6+0.909e-6)]=0.0045/0.000206≈21.821.8>1.96，拒絕原假設(shè)，差異顯著。（3）留存差異δ=0.003,基線p=0.059合并p=0.0605Zα=1.96,Zβ=0.84n=[Zα√(2p(1-p))+Zβ√(p1(1-p1)+p2(1-p2))]2/δ2≈[1.96√(2×0.0605×0.9395)+0.84√(0.059×0.941+0.062×0.938)]2/0.0032≈[1.96×0.338+0.84×0.344]2/0.000009≈(0.662+0.289)2/0.000009≈0.9512/0.000009≈100500每組需約10萬(wàn)樣本。七、編程題（共30分）40.現(xiàn)有用戶行為日志behavior.csv，字段：user_id,item_id,cate,behavior_type,ts。behavior_type含pv、buy、cart、fav。請(qǐng)完成：（1）使用Pythonpandas統(tǒng)計(jì)每個(gè)用戶近7天購(gòu)買類目多樣性（購(gòu)買過(guò)的不同類目數(shù)），并輸出前10名用戶。（10分）（2）使用PySpark實(shí)現(xiàn)相同邏輯，并緩存中間結(jié)果，要求運(yùn)行時(shí)間<2min（集群3節(jié)點(diǎn)，共24核）。（20分）答案：（1）importpandasaspd,datetimeasdtdf=pd.read_csv('behavior.csv',parse_dates=['ts'])cutoff=df.ts.max()-pd.Timedelta(days=7)sub=df[(df.behavior_type=='buy')&(df.ts>=cutoff)]result=sub.groupby('user_id')['cate'].nun