2026年數(shù)據(jù)分析師職業(yè)技能測試題中級一、單選題（共10題，每題2分，共20分）注：請選擇最符合題意的選項。1.在處理電商用戶購買行為數(shù)據(jù)時，若需分析不同促銷活動對用戶復(fù)購率的影響，最適合使用的統(tǒng)計方法是？A.相關(guān)性分析B.回歸分析C.聚類分析D.主成分分析2.以下哪種指標(biāo)最適合評估電商平臺的用戶活躍度？A.轉(zhuǎn)化率B.用戶留存率C.ARPU（每用戶平均收入）D.客單價3.在進(jìn)行用戶分群時，若業(yè)務(wù)目標(biāo)是識別高價值用戶，以下哪種分群方法更合適？A.K-means聚類B.層次聚類C.離群點(diǎn)檢測D.因子分析4.SQL中，以下哪個函數(shù)可用于計算分組后的數(shù)據(jù)平均值？A.SUM()B.AVG()C.MAX()D.COUNT()5.在數(shù)據(jù)可視化中，若需展示不同城市用戶的消費(fèi)趨勢，哪種圖表類型最合適？A.散點(diǎn)圖B.條形圖C.餅圖D.熱力圖6.在進(jìn)行A/B測試時，若需評估新界面設(shè)計對用戶點(diǎn)擊率的影響，以下哪個指標(biāo)最關(guān)鍵？A.用戶滿意度B.點(diǎn)擊率（CTR）C.頁面停留時間D.跳出率7.在處理缺失值時，若數(shù)據(jù)缺失比例較高且數(shù)據(jù)分布均勻，以下哪種方法最合適？A.刪除缺失值B.均值/中位數(shù)填充C.KNN填充D.回歸填充8.在使用Python進(jìn)行數(shù)據(jù)分析時，以下哪個庫主要用于數(shù)據(jù)清洗和預(yù)處理？A.MatplotlibB.SeabornC.PandasD.Scikit-learn9.在進(jìn)行時間序列分析時，若需預(yù)測未來3個月的銷售額，以下哪種模型最適合？A.線性回歸B.ARIMA模型C.邏輯回歸D.決策樹10.在數(shù)據(jù)報告中，若需突出顯示異常值的影響，以下哪種圖表類型最合適？A.箱線圖B.散點(diǎn)圖C.直方圖D.雷達(dá)圖二、多選題（共5題，每題3分，共15分）注：請選擇所有符合題意的選項。1.在進(jìn)行用戶行為分析時，以下哪些指標(biāo)可用于評估用戶黏性？A.DAU（日活躍用戶）B.用戶留存率C.平均會話時長D.轉(zhuǎn)化率2.在使用SQL進(jìn)行數(shù)據(jù)查詢時，以下哪些操作屬于聚合函數(shù)？A.SUM()B.COUNT()C.AVG()D.WHERE3.在數(shù)據(jù)可視化中，以下哪些圖表類型適合展示多維數(shù)據(jù)？A.散點(diǎn)圖矩陣B.熱力圖C.平行坐標(biāo)圖D.餅圖4.在進(jìn)行特征工程時，以下哪些方法可用于處理類別特征？A.獨(dú)熱編碼（One-HotEncoding）B.標(biāo)準(zhǔn)化C.標(biāo)簽編碼（LabelEncoding）D.交互特征5.在進(jìn)行時間序列預(yù)測時，以下哪些因素可能影響預(yù)測精度？A.數(shù)據(jù)量大小B.季節(jié)性波動C.異常事件D.模型選擇三、判斷題（共5題，每題2分，共10分）注：請判斷以下說法的正誤（正確填“√”，錯誤填“×”）。1.SQL中的JOIN操作只能用于連接兩個表。2.在進(jìn)行數(shù)據(jù)清洗時，刪除缺失值會導(dǎo)致數(shù)據(jù)偏差增大。3.熱力圖適合展示二維數(shù)據(jù)的分布情況。4.A/B測試中，樣本量過小會導(dǎo)致結(jié)果不可靠。5.ARIMA模型適用于具有明顯趨勢的時間序列數(shù)據(jù)。四、簡答題（共4題，每題5分，共20分）注：請簡述以下問題。1.簡述數(shù)據(jù)清洗的四個主要步驟。2.解釋什么是A/B測試，并說明其核心假設(shè)。3.描述散點(diǎn)圖和熱力圖的區(qū)別及適用場景。4.說明在電商數(shù)據(jù)分析中，如何評估一個用戶分群模型的合理性？五、操作題（共3題，每題10分，共30分）注：請根據(jù)要求完成以下任務(wù)。1.SQL查詢題：假設(shè)有兩張表：`orders`（訂單表，字段：order_id，user_id，order_date，amount）和`users`（用戶表，字段：user_id，city，注冊時間）。請編寫SQL查詢，統(tǒng)計每個城市的用戶注冊時間最早和最晚的訂單金額，結(jié)果按城市排序。2.Python數(shù)據(jù)處理題：使用Python（Pandas庫）處理以下數(shù)據(jù)：pythondata={'訂單ID':[1,2,3,4,5],'用戶ID':[101,102,101,103,102],'金額':[100,200,150,300,250]}請計算每個用戶的總消費(fèi)金額，并篩選出消費(fèi)金額最高的用戶。3.數(shù)據(jù)可視化題：假設(shè)有以下數(shù)據(jù)：pythonimportmatplotlib.pyplotaspltimportnumpyasnpcities=['北京','上海','廣州','深圳']sales=[1200,1500,1300,1600]請使用Matplotlib繪制一個柱狀圖，展示各城市的銷售額，并添加標(biāo)題和坐標(biāo)軸標(biāo)簽。答案與解析一、單選題1.B解析：分析促銷活動對復(fù)購率的影響屬于因果關(guān)系分析，回歸分析最適合。2.B解析：用戶留存率直接反映用戶黏性，ARPU和客單價更側(cè)重經(jīng)濟(jì)指標(biāo)。3.A解析：K-means聚類適用于無標(biāo)簽數(shù)據(jù)的高價值用戶分群。4.B解析：AVG()函數(shù)用于計算分組后的平均值。5.B解析：條形圖適合比較不同類別的數(shù)據(jù)。6.B解析：A/B測試的核心是評估CTR等直接指標(biāo)。7.C解析：KNN填充適用于缺失比例不高且數(shù)據(jù)分布均勻的情況。8.C解析：Pandas是Python中常用的數(shù)據(jù)清洗工具。9.B解析：ARIMA模型適用于具有趨勢和季節(jié)性的時間序列。10.A解析：箱線圖能直觀展示異常值。二、多選題1.A,B,C解析：DAU、留存率和會話時長均反映用戶黏性，轉(zhuǎn)化率側(cè)重行為效果。2.A,B,C解析：聚合函數(shù)包括SUM()、COUNT()和AVG()，WHERE是篩選條件。3.A,B,C解析：散點(diǎn)圖矩陣、熱力圖和平行坐標(biāo)圖適合多維數(shù)據(jù)，餅圖僅展示單一維度。4.A,C解析：獨(dú)熱編碼和標(biāo)簽編碼用于類別特征，標(biāo)準(zhǔn)化和交互特征適用于數(shù)值特征。5.A,B,C,D解析：數(shù)據(jù)量、季節(jié)性、異常事件和模型選擇均影響預(yù)測精度。三、判斷題1.×解析：JOIN可連接多個表。2.√解析：刪除缺失值會減少樣本量，影響統(tǒng)計效力。3.√解析：熱力圖適合展示二維數(shù)據(jù)的密度分布。4.√解析：樣本量過小會導(dǎo)致統(tǒng)計結(jié)果不穩(wěn)定。5.√解析：ARIMA模型需處理趨勢和季節(jié)性數(shù)據(jù)。四、簡答題1.數(shù)據(jù)清洗步驟：-缺失值處理（刪除/填充）-異常值檢測（箱線圖/3σ法則）-數(shù)據(jù)格式統(tǒng)一（日期/數(shù)值）-重復(fù)值處理2.A/B測試：-通過對比兩組不同版本（如界面）的效果，評估哪個版本更優(yōu)。-核心假設(shè)：變更不會影響用戶行為，需通過統(tǒng)計檢驗驗證。3.散點(diǎn)圖vs熱力圖：-散點(diǎn)圖：展示兩個數(shù)值變量之間的關(guān)系，適合少量數(shù)據(jù)。-熱力圖：用顏色表示數(shù)值密度，適合大量數(shù)據(jù)。4.用戶分群合理性評估：-內(nèi)部一致性：分群內(nèi)用戶特征相似。-外部區(qū)分度：分群間用戶特征差異明顯。-業(yè)務(wù)驗證：分群是否符合業(yè)務(wù)場景（如高價值用戶）。五、操作題1.SQL查詢：sqlSELECTcity,MIN(amount)ASmin_amount,MAX(amount)ASmax_amountFROMordersoJOINusersuONo.user_id=u.user_idGROUPBYcityORDERBYcity;2.Python數(shù)據(jù)處理：pythonimportpandasaspddf=pd.DataFrame(data)user_total=df.groupby('用戶ID')['金額'].sum().reset_index()max_user=user_total.loc[user_total['金額'].idxmax()