2026年數(shù)據(jù)分析師面試指南：數(shù)據(jù)挖掘與模型構(gòu)建應(yīng)用題一、數(shù)據(jù)清洗與預(yù)處理（共3題，每題10分）題目1（5分）：某電商平臺2023年11月用戶行為數(shù)據(jù)包含以下字段：用戶ID、商品ID、瀏覽時長（秒）、購買金額（元）、購買次數(shù)、設(shè)備類型（PC/Mobile）、地區(qū)（華東/華南/華北/西部）、注冊時間（年-月-日）。數(shù)據(jù)中存在缺失值、異常值和重復(fù)記錄。請設(shè)計數(shù)據(jù)清洗流程，并說明如何處理缺失值（例如，均值填充、眾數(shù)填充或刪除）、異常值（例如，箱線圖法）以及重復(fù)記錄。假設(shè)缺失值占比低于5%，異常值占比低于2%，請給出具體操作步驟。題目2（5分）：某銀行客戶數(shù)據(jù)集包含字段：客戶ID、年齡、性別、收入（萬元）、貸款余額（萬元）、信用評分（1-10）、是否違約（是/否）、居住年限（年）。部分客戶收入數(shù)據(jù)缺失，且存在年齡異常值（如負數(shù)或超過120歲）。請說明如何處理這些數(shù)據(jù)質(zhì)量問題，并設(shè)計一個簡單的數(shù)據(jù)清洗腳本（偽代碼即可），假設(shè)使用PythonPandas庫。題目3（10分）：某外賣平臺訂單數(shù)據(jù)包含字段：訂單ID、用戶ID、商家ID、訂單金額、下單時間（年-月-日時:分）、配送時間（分鐘）、騎手ID、是否取消（是/否）。數(shù)據(jù)中存在以下問題：1.部分訂單金額為0或負數(shù)；2.部分配送時間異常（如小于1分鐘或超過300分鐘）；3.存在重復(fù)訂單。請設(shè)計數(shù)據(jù)清洗方案，并說明如何通過邏輯判斷剔除無效數(shù)據(jù)，同時保留關(guān)鍵信息（如用戶ID和商家ID）。二、探索性數(shù)據(jù)分析（EDA）（共2題，每題15分）題目4（15分）：某電商平臺用戶行為數(shù)據(jù)包含字段：用戶ID、購買品類（服裝/電子/家居）、購買時間（年-月-日）、購買金額、用戶年齡、會員等級（1-5級）。請設(shè)計EDA方案，分析以下問題：1.不同品類用戶的平均購買金額差異；2.用戶年齡與購買金額的關(guān)系；3.會員等級對購買金額的影響。要求：-使用至少兩種圖表（如箱線圖、散點圖）；-提出至少兩個業(yè)務(wù)洞察（例如，高金額用戶集中在哪個品類或會員等級）。題目5（15分）：某航空公司航班數(shù)據(jù)包含字段：航班號、出發(fā)地、目的地、出發(fā)時間（時:分）、到達時間（時:分）、延誤時間（分鐘）、機型、天氣狀況（晴/雨/霧）。請分析以下問題：1.不同天氣狀況對航班延誤的影響；2.出發(fā)時間與延誤時間的關(guān)聯(lián)性；3.航班號與延誤時間的趨勢關(guān)系。要求：-計算延誤率并分組分析；-使用至少三種統(tǒng)計指標（如均值、中位數(shù)、標準差）；-提出至少一個業(yè)務(wù)建議（例如，如何優(yōu)化航班時刻表以減少延誤）。三、分類模型構(gòu)建（共2題，每題20分）題目6（20分）：某銀行客戶數(shù)據(jù)包含字段：客戶ID、年齡、收入、貸款余額、信用評分（1-10）、是否違約（是/否）。請構(gòu)建一個邏輯回歸模型預(yù)測客戶違約概率，要求：1.劃分訓(xùn)練集和測試集（7:3比例）；2.使用標準化處理數(shù)值特征；3.評估模型性能（AUC、準確率、召回率）；4.解釋至少兩個特征對模型的影響（如收入和信用評分）。題目7（20分）：某電商平臺用戶數(shù)據(jù)包含字段：用戶ID、瀏覽時長、購買頻率、是否復(fù)購（是/否）、注冊時間（年-月-日）。請構(gòu)建一個決策樹模型預(yù)測用戶是否復(fù)購，要求：1.使用交叉驗證選擇最佳參數(shù)（如剪枝）；2.可視化決策樹的前三層；3.分析最重要的兩個預(yù)測特征；4.提出至少一個提升復(fù)購率的業(yè)務(wù)建議（例如，優(yōu)化首頁推薦策略）。四、聚類分析（共1題，25分）題目8（25分）：某電信運營商用戶數(shù)據(jù)包含字段：用戶ID、月消費金額（元）、通話時長（分鐘）、流量使用量（GB）、套餐類型（基礎(chǔ)/高級/豪華）。請使用K-means聚類分析用戶群體，要求：1.選擇最優(yōu)的K值（使用肘部法則和輪廓系數(shù)）；2.描述每個聚類用戶的特征（如高消費高頻用戶）；3.為每個聚類設(shè)計差異化營銷策略（如高端用戶贈送流量，基礎(chǔ)用戶推優(yōu)惠套餐）；4.解釋聚類結(jié)果的業(yè)務(wù)價值。五、關(guān)聯(lián)規(guī)則挖掘（共1題，20分）題目9（20分）：某超市銷售數(shù)據(jù)包含字段：交易ID、商品ID、商品名稱、購買時間（年-月-日）。請使用Apriori算法挖掘商品關(guān)聯(lián)規(guī)則，要求：1.設(shè)定最小支持度0.05，最小置信度0.7；2.找出至少三個強關(guān)聯(lián)規(guī)則（如購買面包的用戶會購買牛奶）；3.解釋規(guī)則的重要性（如優(yōu)化貨架擺放）；4.說明如何避免過度擬合（如考慮規(guī)則長度）。答案與解析一、數(shù)據(jù)清洗與預(yù)處理題目1（5分）：清洗流程：1.缺失值處理：-瀏覽時長：若缺失值占比低，可使用均值填充；若分布偏態(tài)，使用中位數(shù)填充。-購買金額：若缺失值與用戶ID相關(guān)，用分組均值填充；否則用全局均值。-注冊時間：用前一個日期填充或刪除該記錄。2.異常值處理：-使用箱線圖識別異常值，如瀏覽時長>1000秒或購買金額>10000元，可替換為95%分位數(shù)。-設(shè)備類型：若存在離群值（如"未知"），合并為"其他"。3.重復(fù)記錄：-刪除用戶ID、商品ID和購買時間完全一致的記錄。題目2（5分）：清洗步驟：1.缺失值：收入用中位數(shù)填充（避免極端值影響均值）。2.異常值：年齡用邏輯約束剔除（如1歲-90歲），負數(shù)或過大值刪除。3.偽代碼示例（Pandas）：pythondf=df[df['年齡'].between(1,90)]df=df.dropna(subset=['收入'])df['收入']=df['收入'].fillna(df['收入'].median())題目3（10分）：清洗方案：1.訂單金額：剔除金額<=0的訂單。2.配送時間：剔除時間<1或>300的記錄。3.重復(fù)訂單：pythondf.drop_duplicates(subset=['訂單ID','用戶ID','商家ID'],inplace=True)4.業(yè)務(wù)保留：保留用戶ID和商家ID用于后續(xù)分析。二、探索性數(shù)據(jù)分析（EDA）題目4（15分）：EDA方案：1.箱線圖：不同品類購買金額分布，電子>家居>服裝。2.散點圖：年齡與購買金額正相關(guān)，30-40歲用戶金額較高。3.會員等級：5級會員平均金額顯著高于1級會員。洞察：推廣高等級會員權(quán)益，電子品類可增加高端產(chǎn)品。題目5（15分）：分析結(jié)果：1.天氣與延誤：雨天延誤率最高（15%），晴天最低（5%）。2.出發(fā)時間：凌晨（0-5點）延誤率最高（20%）。3.航班號：航班號以"3"開頭的延誤較多（交叉驗證）。建議：優(yōu)化凌晨航班時刻，增加備用機型。三、分類模型構(gòu)建題目6（20分）：邏輯回歸模型：1.劃分數(shù)據(jù)集：`train_test_split`（7:3）。2.標準化：`StandardScaler`處理年齡、收入等。3.性能評估：AUC=0.85，準確率=90%，召回率=80%。4.特征影響：收入越高違約概率越低，信用評分越高越低。題目7（20分）：決策樹模型：1.交叉驗證：最佳深度=3。2.可視化：前三層節(jié)點包含"瀏覽時長""購買頻率"。3.重要特征：購買頻率>5次/月，復(fù)購概率>70%。4.業(yè)務(wù)建議：提供復(fù)購優(yōu)惠券。四、聚類分析題目8（25分）：K-means聚類：1.K值選擇：肘部法則選K=3。2.聚類特征：-聚類1：高消費高頻用戶；-聚類2：低消費低頻用戶。3.營銷策略：-聚類1：推高端套餐；-聚類2：基礎(chǔ)套餐+話費補貼。4.業(yè)務(wù)價值：實現(xiàn)精準分層營銷。五、關(guān)聯(lián)規(guī)則挖