2026年數(shù)據(jù)分析師考試數(shù)據(jù)處理與分析案例題庫(kù)一、數(shù)據(jù)清洗與預(yù)處理（共3題，每題10分）1.題目某電商平臺(tái)2025年11月隨機(jī)抽取了1000份用戶訂單數(shù)據(jù)，用于分析用戶消費(fèi)行為。原始數(shù)據(jù)中存在缺失值、異常值和重復(fù)記錄，具體問題如下：-10%的訂單金額（`order_amount`）數(shù)據(jù)缺失；-1%的訂單金額異常（例如，訂單金額為0或超過10000元）；-3%的訂單記錄存在重復(fù)（完全相同的訂單ID）；-部分用戶地區(qū)信息（`region`）填寫不規(guī)范（如“北京”與“Beijing”并存）。要求：（1）描述缺失值、異常值和重復(fù)記錄的處理方法；（2）給出地區(qū)信息規(guī)范化的具體步驟；（3）用SQL或Python代碼示例說明如何處理上述問題。2.題目某金融機(jī)構(gòu)收集了5000份貸款申請(qǐng)數(shù)據(jù)，用于信用風(fēng)險(xiǎn)評(píng)估。數(shù)據(jù)中存在以下問題：-5%的年齡數(shù)據(jù)缺失；-收入（`income`）字段存在異常值（如收入為負(fù)數(shù)或超過10萬元）；-部分貸款類型（`loan_type`）編碼不規(guī)范（如“房貸”與“HOMELoan”混用）。要求：（1）設(shè)計(jì)缺失值填充方案（均值/中位數(shù)/眾數(shù)）；（2）說明異常值的檢測(cè)與處理方法（假設(shè)使用IQR方法）；（3）給出貸款類型編碼統(tǒng)一化的規(guī)則。3.題目某外賣平臺(tái)提供了2025年12月的用戶行為數(shù)據(jù)，包含訂單時(shí)間、用戶評(píng)分等字段。數(shù)據(jù)中發(fā)現(xiàn)以下問題：-2%的訂單時(shí)間格式錯(cuò)誤（如“2025-13-0112:00”）；-部分用戶評(píng)分（`rating`）為空；-訂單金額存在極端值（如1元或1000元訂單較多）。要求：（1）如何修正錯(cuò)誤的訂單時(shí)間格式；（2）評(píng)分缺失值如何處理；（3）極端訂單金額是否需要剔除，說明理由。二、數(shù)據(jù)探索性分析（共3題，每題12分）1.題目某零售企業(yè)收集了2025年全年的門店銷售數(shù)據(jù)，包含門店編號(hào)、銷售額、客流量等字段。要求分析以下問題：（1）計(jì)算各門店的月均銷售額，并找出銷售額最高的3家門店；（2）分析銷售額與客流量之間的關(guān)系（用散點(diǎn)圖或相關(guān)性系數(shù)）；（3）按季節(jié)（春、夏、秋、冬）劃分，哪個(gè)季節(jié)銷售額最高，并說明原因。2.題目某共享單車平臺(tái)記錄了2025年10月的騎行數(shù)據(jù)，包含用戶年齡、騎行時(shí)長(zhǎng)、費(fèi)用等字段。要求分析以下問題：（1）計(jì)算不同年齡段用戶的平均騎行時(shí)長(zhǎng)（如<20歲、20-30歲等）；（2）分析騎行時(shí)長(zhǎng)與費(fèi)用的分布情況（用直方圖或箱線圖）；（3）找出騎行時(shí)長(zhǎng)最長(zhǎng)的3個(gè)區(qū)域，并解釋可能的原因。3.題目某電商平臺(tái)的用戶行為數(shù)據(jù)包含瀏覽頁(yè)數(shù)、加購(gòu)次數(shù)、購(gòu)買轉(zhuǎn)化率等字段。要求分析以下問題：（1）計(jì)算用戶的平均瀏覽頁(yè)數(shù)，并找出瀏覽頁(yè)數(shù)與購(gòu)買轉(zhuǎn)化的關(guān)系；（2）分析加購(gòu)次數(shù)對(duì)轉(zhuǎn)化的影響（用分組統(tǒng)計(jì)）；（3）用戶的活躍時(shí)間段是什么時(shí)候（假設(shè)有`visit_time`字段）。三、數(shù)據(jù)建模與分析（共3題，每題15分）1.題目某銀行需要預(yù)測(cè)客戶的違約風(fēng)險(xiǎn)，提供了2025年的貸款數(shù)據(jù)，包含年齡、收入、貸款金額、是否違約等字段。要求：（1）選擇合適的模型（如邏輯回歸或決策樹）進(jìn)行預(yù)測(cè)；（2）解釋模型的關(guān)鍵特征（如收入、年齡的影響）；（3）給出模型評(píng)估指標(biāo)（如AUC、準(zhǔn)確率）。2.題目某視頻平臺(tái)的用戶數(shù)據(jù)包含觀看時(shí)長(zhǎng)、點(diǎn)贊數(shù)、評(píng)論數(shù)等字段。要求分析用戶內(nèi)容的受歡迎程度，并預(yù)測(cè)哪些內(nèi)容可能成為爆款。要求：（1）構(gòu)建用戶內(nèi)容的受歡迎度評(píng)分公式；（2）用聚類分析（如K-Means）將內(nèi)容分為幾類；（3）預(yù)測(cè)爆款內(nèi)容的特征（如觀看時(shí)長(zhǎng)、互動(dòng)率）。3.題目某外賣平臺(tái)的訂單數(shù)據(jù)包含用戶偏好（如口味偏好）、配送時(shí)間、訂單金額等字段。要求分析用戶消費(fèi)行為，并預(yù)測(cè)訂單金額。要求：（1）用線性回歸或樹模型預(yù)測(cè)訂單金額；（2）分析哪些因素對(duì)金額影響最大；（3）給出模型的預(yù)測(cè)結(jié)果及誤差分析。答案與解析一、數(shù)據(jù)清洗與預(yù)處理1.答案（1）缺失值處理：-訂單金額缺失：若缺失比例<5%，可填充均值或中位數(shù)；若>5%，考慮刪除或插補(bǔ)（如前后數(shù)據(jù)均值）。-地區(qū)信息：用拼音或標(biāo)準(zhǔn)編碼統(tǒng)一（如“北京”統(tǒng)一為“BJ”）。（2）異常值處理：-訂單金額異常：用IQR方法剔除超出上下四分位數(shù)的數(shù)據(jù)。-重復(fù)記錄：用SQL`SELECTDISTINCT`或Python`pandas.drop_duplicates()`刪除。（3）代碼示例（Python）：pythonimportpandasaspd剔除異常訂單金額df=df[(df['order_amount']>0)&(df['order_amount']<=10000)]統(tǒng)一地區(qū)信息df['region']=df['region'].str.lower().str.strip()df['region']=df['region'].replace({'beijing':'bj'},regex=True)2.答案（1）缺失值填充：年齡用中位數(shù)填充（避免均值受異常值影響）；收入用眾數(shù)填充（若分布偏態(tài)）。（2）異常值處理：用IQR方法剔除收入<0或>10萬元的數(shù)據(jù)。（3）編碼統(tǒng)一：將“房貸”與“HOMELoan”統(tǒng)一為“mortgage”。3.答案（1）時(shí)間格式修正：用正則表達(dá)式或`datetime`庫(kù)解析并修正錯(cuò)誤時(shí)間。（2）評(píng)分缺失值：用眾數(shù)填充（若評(píng)分分布集中）或刪除評(píng)分過低的訂單。（3）極端值處理：剔除1元訂單（可能是測(cè)試數(shù)據(jù)）；1000元訂單若存在可保留（可能是促銷數(shù)據(jù)）。二、數(shù)據(jù)探索性分析1.答案（1）月均銷售額：按門店分組統(tǒng)計(jì)月銷售額均值，排序取前三。（2）相關(guān)性分析：用散點(diǎn)圖或`corr()`函數(shù)計(jì)算相關(guān)系數(shù)（如0.6以上為強(qiáng)相關(guān)）。（3）季節(jié)分析：按月份劃分季節(jié)，統(tǒng)計(jì)各季節(jié)總銷售額。2.答案（1）年齡段時(shí)長(zhǎng)：按年齡分組統(tǒng)計(jì)平均騎行時(shí)長(zhǎng)（如<20歲<30歲）。（2）分布分析：用直方圖展示時(shí)長(zhǎng)分布，箱線圖對(duì)比不同費(fèi)用區(qū)間。（3）區(qū)域分析：用地理熱力圖展示騎行時(shí)長(zhǎng)最長(zhǎng)的區(qū)域，可能原因：地鐵口、商業(yè)區(qū)。3.答案（1）瀏覽頁(yè)數(shù)與轉(zhuǎn)化：用散點(diǎn)圖或`groupby()`統(tǒng)計(jì)頁(yè)數(shù)與轉(zhuǎn)化率關(guān)系。（2）加購(gòu)影響：統(tǒng)計(jì)加購(gòu)≥3次用戶的轉(zhuǎn)化率，對(duì)比未加購(gòu)用戶。（3）活躍時(shí)間段：用`visit_time`統(tǒng)計(jì)各時(shí)段訪問量，如晚上8-10點(diǎn)高峰。三、數(shù)據(jù)建模與分析1.答案（1）模型選擇：邏輯回歸（簡(jiǎn)單高效），決策樹（可解釋性強(qiáng)）。（2）關(guān)鍵特征：收入、貸款金額影響較大（正向關(guān)聯(lián)違約）。（3）評(píng)估指標(biāo)：AUC≥0.8為合格，準(zhǔn)確率需結(jié)合業(yè)務(wù)需求。2.答案（1）評(píng)分公式：`評(píng)分=(觀看時(shí)長(zhǎng)0.4+點(diǎn)贊數(shù)0.3+評(píng)論數(shù)0.3)/總內(nèi)容數(shù)`。（2）聚類分析：K-Means聚類（如K=3），分為高互動(dòng)、高觀看、低熱度三類。（3）爆款特