2025年数据分析师高级职位面试问题及答案.docxVIP

第PAGE页共NUMPAGES页

2025年数据分析师高级职位面试问题及答案

1.数据处理与基础操作（5题，每题2分）

题目1

问题描述：假设你接收到一份包含100万条销售记录的CSV文件，其中包含字段：`order_id`（订单ID）、`customer_id`（客户ID）、`order_date`（订单日期）、`product_id`（产品ID）、`quantity`（数量）、`price`（单价）。请描述你会如何进行数据清洗和预处理，并说明你会使用哪些Python库实现。

答案：

1.数据读取与检查：使用`pandas`读取CSV文件，检查数据基本信息（`df.info()`），查看前几行（`df.head()`）和缺失值（`df.isnull().sum()`）。

2.缺失值处理：根据业务场景决定策略。如`order_id`缺失可能需要删除，`customer_id`缺失可能需要填充或删除。

3.数据类型转换：将`order_date`转换为`datetime`类型，`quantity`和`price`确保为数值类型。

4.异常值检测：使用箱线图（`seaborn.boxplot`）检测`quantity`和`price`的异常值，根据业务规则处理。

5.重复值处理：使用`df.duplicated().sum()`检测并删除重复订单。

6.数据保存：清洗后的数据保存为新的CSV文件或Parquet格式以优化存储。

题目2

问题描述：某电商平台需要分析用户购买行为，数据包含`session_id`（会话ID）、`user_id`（用户ID）、`action_type`（行为类型，如浏览、点击、购买）、`timestamp`（时间戳）。请设计一个SQL查询，统计每个用户在一天内的不同行为次数。

答案：

sql

SELECTuser_id,

COUNT(DISTINCTaction_type)ASaction_count

FROMuser_actions

WHEREDATE(timestamp)=CURRENT_DATE

GROUPBYuser_id;

解析：使用`DATE(timestamp)`确保按天统计，`COUNT(DISTINCTaction_type)`统计不同行为类型。

题目3

问题描述：使用Python对销售数据进行透视表分析，要求按月份汇总各产品类别的销售额（`price*quantity`），并用`numpy`计算各月份的销售额增长率。

答案：

python

importpandasaspd

importnumpyasnp

#读取数据

df=pd.read_csv(sales.csv)

df[order_date]=pd.to_datetime(df[order_date])

df[month]=df[order_date].dt.month

df[sales]=df[quantity]*df[price]

#透视表

pivot=pd.pivot_table(df,values=sales,index=month,columns=product_category,aggfunc=sum)

#销售额增长率

pivot_growth=pivot.pct_change().fillna(0)

题目4

问题描述：某数据集包含缺失值，使用Python填充缺失值时，如何确保填充策略符合业务逻辑？请举例说明。

答案：

1.数值型字段：

-站内均值/中位数填充：如`age`字段缺失，根据用户群体特征选择均值或中位数。

-业务规则填充：如`quantity`缺失可按`product_id`分组用该组均值填充。

2.分类型字段：

-众数填充：如`gender`缺失用最高频性别填充。

-业务创建新类别：如`country`缺失创建Unknown类别。

3.时间序列数据：使用前值填充（`ffill()`）或插值法（`interpolate()`）。

题目5

问题描述：某数据集包含ID列和分类名称列，如何确保ID与名称的映射关系唯一且准确？

答案：

1.数据校验：

-检查ID列是否重复（`df[id].duplicated().sum()`）。

-确保分类名称无冲突（`df.groupby(name)[id].nunique().eq(1)`）。

2.映射表构建：

python

mapping=df.drop_duplicates(subset=[id]).set_index(id)[name].to_dict()

3.异常处理：

-对ID不存在于映射表中的记录进行标记或填充。

-使用`me