2026年數(shù)據(jù)分析師職業(yè)能力等級評定試卷一、單選題（共10題，每題2分，合計(jì)20分）1.在處理某城市（如上海）的地鐵出行數(shù)據(jù)時，發(fā)現(xiàn)部分用戶行程數(shù)據(jù)缺失，以下哪種方法最適用于處理該類缺失值？（）A.直接刪除缺失數(shù)據(jù)B.使用均值或中位數(shù)填充C.采用多重插補(bǔ)法D.以上方法均不適用2.某電商平臺（如京東）需要分析用戶購買行為，以下哪個指標(biāo)最能反映用戶復(fù)購意愿？（）A.用戶活躍度（DAU）B.轉(zhuǎn)化率C.客單價D.復(fù)購率3.在使用SQL查詢某企業(yè)（如字節(jié)跳動）的員工銷售數(shù)據(jù)時，若需要計(jì)算每個銷售團(tuán)隊(duì)的平均銷售額，以下哪個SQL語句最符合要求？（）sqlSELECTteam_id,AVG(sales_amount)ASaverage_salesFROMsales_dataGROUPBYteam_id;A.上述SQL語句正確B.需要添加`WHERE`條件過濾無效數(shù)據(jù)C.需要將`sales_amount`轉(zhuǎn)換為數(shù)值類型D.需要使用窗口函數(shù)計(jì)算4.在進(jìn)行某城市（如北京）的房價預(yù)測時，以下哪個特征最可能作為核心自變量？（）A.房屋面積B.學(xué)區(qū)C.距離地鐵站距離D.以上特征均可能5.在使用Python的Pandas庫處理某零售企業(yè)（如沃爾瑪）的庫存數(shù)據(jù)時，若需要按日期匯總銷量，以下哪個方法最合適？（）pythonimportpandasaspddata=pd.read_csv('sales.csv')data.groupby('date')['sales'].sum()A.上述代碼正確B.需要先將`date`列轉(zhuǎn)換為datetime類型C.需要處理缺失值D.需要使用`merge`操作6.在使用Excel進(jìn)行某公司（如華為）的財(cái)務(wù)分析時，若需要計(jì)算各部門的利潤率，以下哪個公式最符合要求？（）`=利潤/收入`A.上述公式正確B.需要使用`IF`函數(shù)處理異常值C.需要使用`SUMIF`計(jì)算部門總利潤D.需要使用`VLOOKUP`查詢部門數(shù)據(jù)7.在使用Tableau制作某城市（如深圳）的客流分析報(bào)告時，以下哪個圖表最適合展示時間趨勢？（）A.餅圖B.散點(diǎn)圖C.折線圖D.樹狀圖8.在使用機(jī)器學(xué)習(xí)模型預(yù)測某電商（如天貓）的用戶流失時，以下哪個指標(biāo)最能反映模型效果？（）A.準(zhǔn)確率B.AUCC.F1分?jǐn)?shù)D.召回率9.在使用Python的Scikit-learn庫進(jìn)行特征工程時，以下哪個方法最適用于處理高維數(shù)據(jù)？（）A.PCA降維B.標(biāo)準(zhǔn)化C.One-Hot編碼D.嵌入式特征選擇10.在使用Python的Matplotlib庫繪制某企業(yè)（如美團(tuán)）的用戶留存曲線時，以下哪個方法最合適？（）pythonimportmatplotlib.pyplotaspltplt.plot(retention_data['date'],retention_data['retention_rate'])plt.xlabel('日期')plt.ylabel('留存率')plt.show()A.上述代碼正確B.需要使用`seaborn`美化圖表C.需要按月份匯總數(shù)據(jù)D.需要添加圖例二、多選題（共5題，每題3分，合計(jì)15分）1.在使用SQL查詢某企業(yè)（如騰訊）的用戶注冊數(shù)據(jù)時，若需要篩選出2025年注冊的用戶，以下哪些SQL語句正確？（）A.`WHEREYEAR(registration_date)=2025`B.`WHEREregistration_dateBETWEEN'2025-01-01'AND'2025-12-31'`C.`WHEREMONTH(registration_date)=2025`D.`WHEREregistration_dateLIKE'2025%'`2.在進(jìn)行某城市（如杭州）的空氣質(zhì)量分析時，以下哪些特征可能影響PM2.5濃度？（）A.工業(yè)排放量B.機(jī)動車數(shù)量C.天氣濕度D.城市綠化率3.在使用Python的Pandas庫處理某銀行（如工行）的信用卡數(shù)據(jù)時，若需要計(jì)算每個用戶的平均消費(fèi)金額，以下哪些方法正確？（）A.`data.groupby('user_id')['amount'].mean()`B.`data['amount'].mean()`C.`data['amount'].fillna(0).mean()`D.`data.pivot_table(index='user_id',values='amount',aggfunc='mean')`4.在使用Excel進(jìn)行某零售企業(yè)（如小米）的庫存分析時，以下哪些方法適用于處理滯銷商品？（）A.計(jì)算庫存周轉(zhuǎn)率B.使用`XLOOKUP`查詢滯銷商品C.進(jìn)行ABC分類管理D.使用`條件格式`突出顯示滯銷商品5.在使用機(jī)器學(xué)習(xí)模型預(yù)測某企業(yè)（如阿里）的員工離職時，以下哪些特征可能作為自變量？（）A.員工年齡B.工作年限C.薪資水平D.離職原因（需編碼）三、判斷題（共10題，每題1分，合計(jì)10分）1.在使用SQL進(jìn)行數(shù)據(jù)查詢時，`INNERJOIN`和`LEFTJOIN`的區(qū)別在于前者會保留左表的所有數(shù)據(jù)，后者會保留右表的所有數(shù)據(jù)。（×）2.在進(jìn)行用戶行為分析時，RFM模型中的R代表最近一次消費(fèi)時間。（√）3.在使用Python的Pandas庫時，`df.copy()`會創(chuàng)建數(shù)據(jù)的深拷貝。（√）4.在使用Excel進(jìn)行數(shù)據(jù)透視表時，可以同時設(shè)置多個篩選條件。（√）5.在使用Tableau制作可視化報(bào)告時，熱圖最適合展示分類數(shù)據(jù)。（×）6.在使用機(jī)器學(xué)習(xí)模型時，過擬合會導(dǎo)致模型在訓(xùn)練集上表現(xiàn)好，但在測試集上表現(xiàn)差。（√）7.在使用Python的Scikit-learn庫時，`train_test_split`函數(shù)默認(rèn)將數(shù)據(jù)按70%訓(xùn)練集、30%測試集分割。（√）8.在使用SQL進(jìn)行數(shù)據(jù)聚合時，`GROUPBY`子句必須與`HAVING`子句搭配使用。（×）9.在使用Python的Matplotlib庫時，`plt.bar()`函數(shù)最適合繪制時間序列數(shù)據(jù)。（×）10.在使用Excel進(jìn)行數(shù)據(jù)清洗時，`TRIM`函數(shù)可以去除字符串前后的空格。（√）四、簡答題（共4題，每題5分，合計(jì)20分）1.在分析某城市（如成都）的共享單車出行數(shù)據(jù)時，若發(fā)現(xiàn)部分用戶行程數(shù)據(jù)缺失，請簡述至少兩種處理缺失值的方法及其適用場景。2.在進(jìn)行某電商平臺的用戶畫像分析時，請簡述至少三個關(guān)鍵指標(biāo)及其含義。3.在使用Python的Pandas庫進(jìn)行數(shù)據(jù)清洗時，請簡述至少三種常見的數(shù)據(jù)異常處理方法。4.在使用機(jī)器學(xué)習(xí)模型預(yù)測某企業(yè)的銷售額時，請簡述特征工程的主要步驟及其目的。五、操作題（共2題，每題10分，合計(jì)20分）1.SQL操作題：假設(shè)某企業(yè)（如字節(jié)跳動）的員工數(shù)據(jù)存儲在以下表格中：sqlCREATETABLEemployees(idINTPRIMARYKEY,nameVARCHAR(50),departmentVARCHAR(50),salaryDECIMAL(10,2),join_dateDATE);請編寫SQL語句完成以下操作：（1）查詢2025年入職的員工及其部門名稱；（2）計(jì)算每個部門的平均薪資；（3）篩選出薪資高于公司平均薪資的員工。2.Python操作題：假設(shè)某電商平臺（如京東）的訂單數(shù)據(jù)存儲在以下CSV文件中：csvorder_id,user_id,order_amount,order_date1,1001,200.00,2025-01-012,1002,150.00,2025-01-023,1001,300.00,2025-01-03...請使用Python的Pandas庫完成以下操作：（1）讀取CSV文件并按訂單日期匯總訂單金額；（2）計(jì)算每個用戶的平均訂單金額；（3）將結(jié)果保存為Excel文件。答案與解析一、單選題1.B解析：均值或中位數(shù)填充適用于缺失值較少且數(shù)據(jù)分布較均勻的情況，而直接刪除可能丟失信息，多重插補(bǔ)法適用于復(fù)雜模型但操作復(fù)雜。2.D解析：復(fù)購率直接反映用戶重復(fù)購買的可能性，而其他指標(biāo)如活躍度、轉(zhuǎn)化率、客單價雖然重要但不如復(fù)購率直接。3.A解析：上述SQL語句正確，通過`GROUPBY`按團(tuán)隊(duì)分組并計(jì)算平均銷售額。4.B解析：學(xué)區(qū)是影響房價的核心因素之一，而其他特征如面積、距離地鐵站等也有一定影響但權(quán)重較低。5.B解析：需要先將`date`列轉(zhuǎn)換為datetime類型才能按日期分組，否則會按字符串排序。6.A解析：上述公式正確，利潤率計(jì)算公式為`利潤/收入`。7.C解析：折線圖最適合展示時間趨勢，餅圖適用于分類占比，散點(diǎn)圖適用于關(guān)系分析，樹狀圖適用于層次結(jié)構(gòu)。8.B解析：AUC最能反映模型在不同閾值下的性能，而準(zhǔn)確率、F1分?jǐn)?shù)、召回率各有側(cè)重。9.A解析：PCA降維適用于高維數(shù)據(jù)降維，標(biāo)準(zhǔn)化用于數(shù)據(jù)預(yù)處理，One-Hot編碼用于分類特征，嵌入式特征選擇結(jié)合模型進(jìn)行特征選擇。10.A解析：上述代碼正確，Matplotlib的`plot`函數(shù)可用于繪制留存曲線。二、多選題1.A,B解析：`YEAR()`函數(shù)和日期范圍篩選均可篩選2025年數(shù)據(jù)，`MONTH()`和`LIKE`不適用。2.A,B,C,D解析：工業(yè)排放、機(jī)動車數(shù)量、天氣濕度、綠化率均可能影響PM2.5濃度。3.A,C,D解析：`groupby`、`fillna`、`pivot_table`均可計(jì)算平均消費(fèi)金額，`mean()`僅計(jì)算整體平均值。4.A,C,D解析：庫存周轉(zhuǎn)率、ABC分類、條件格式均適用于滯銷商品處理，`XLOOKUP`不適用于處理滯銷商品。5.A,B,C,D解析：年齡、工作年限、薪資水平、離職原因（需編碼）均可能影響員工離職。三、判斷題1.×解析：`INNERJOIN`保留左右表匹配的數(shù)據(jù)，`LEFTJOIN`保留左表所有數(shù)據(jù)。2.√解析：RFM模型中的R代表Recency（最近一次消費(fèi)時間）。3.√解析：`df.copy()`創(chuàng)建深拷貝，而`df[:]`或`df.copy(deep=False)`為淺拷貝。4.√解析：數(shù)據(jù)透視表可設(shè)置多個篩選條件。5.×解析：熱圖適用于數(shù)值數(shù)據(jù)密度展示，分類數(shù)據(jù)可用條形圖。6.√解析：過擬合導(dǎo)致模型在訓(xùn)練集上表現(xiàn)好，但泛化能力差。7.√解析：`train_test_split`默認(rèn)分割比例為70%訓(xùn)練集、30%測試集。8.×解析：`GROUPBY`可與`HAVING`搭配使用，但也可單獨(dú)使用。9.×解析：折線圖更適合時間序列數(shù)據(jù)，`bar()`適用于分類數(shù)據(jù)。10.√解析：`TRIM`函數(shù)可去除字符串前后的空格。四、簡答題1.處理缺失值的方法：-均值/中位數(shù)填充：適用于數(shù)據(jù)分布均勻且缺失值較少的情況，如用戶年齡。-多重插補(bǔ)法：適用于復(fù)雜模型且缺失值較多的情況，如用戶消費(fèi)行為數(shù)據(jù)。-模型預(yù)測填充：使用其他特征訓(xùn)練模型預(yù)測缺失值，如根據(jù)用戶特征預(yù)測缺失的訂單金額。2.用戶畫像分析指標(biāo)：-RFM模型：Recency（最近一次消費(fèi)時間）、Frequency（消費(fèi)頻率）、Monetary（消費(fèi)金額）。-用戶活躍度：DAU/MAU（日/月活躍用戶數(shù)）。-用戶生命周期價值（LTV）：預(yù)測用戶未來貢獻(xiàn)的總價值。3.數(shù)據(jù)異常處理方法：-去除異常值：使用箱線圖或Z-score方法識別并去除極端值。-替換異常值：使用均值、中位數(shù)或眾數(shù)替換異常值。-分箱處理：將異常值歸入特定區(qū)間，如將極高收入用戶歸為“高收入”類別。4.特征工程步驟：-數(shù)據(jù)清洗：去除缺失值、異常值。-特征提取：從原始數(shù)據(jù)中提取有用特征，如用戶消費(fèi)行為的分時統(tǒng)計(jì)。-特征轉(zhuǎn)換：如標(biāo)準(zhǔn)化、歸一化、對數(shù)變換。-特征選擇：使用相關(guān)性分析或模型嵌入方法選擇重要特征。五、操作題1.SQL操作題：sql--（1）查詢2025年入職的員工及其部門名稱SELECTname,departmentFROMemployeesWHEREYEAR(join_date)=2025;--（2）計(jì)算每個部門的平均薪資SELECTdepartment,AVG(salary)ASaverage_salaryFROMemployeesGROUPBYdepartment;--（3）篩選出薪資高于公司平均薪資的員工SELECTname,department,salaryFROMemployeesWHEREsalary>(SELECTAVG(salary)FROMemployees);2.Python操作題：pythonimportpandasaspd（1）讀取CSV文件并按訂單日期匯總訂單金額data=pd.read_csv('orders.csv')data['order_date']=