2025年大学生数据分析科普竞赛题库及答案.docxVIP

2025年大学生数据分析科普竞赛题库及答案

一、数据分析基础概念

1.选择题：以下哪组变量全部属于分类型数据？

A.学生身高（cm）、考试成绩（百分制）、性别（男/女）

B.商品类别（食品/服饰）、用户评价（满意/一般/不满意）、会员等级（青铜/白银/黄金）

C.月收入（元）、订单数量（个）、客户年龄（岁）

D.温度（℃）、降雨量（mm）、股票涨跌幅（%）

答案：B

解析：分类型数据（定性数据）表示事物的类别或属性，无大小顺序（名义型）或有顺序但无固定间隔（有序型）。选项B中“商品类别”是名义型，“用户评价”和“会员等级”是有序型；A中“身高”“成绩”为数值型（连续）；C中“月收入”“订单数量”“年龄”均为数值型（连续或离散）；D中“温度”“降雨量”“涨跌幅”为连续型数值数据。

2.简答题：简述“中心极限定理”在数据分析中的意义。

答案：中心极限定理（CLT）指出，当样本量足够大时（通常n≥30），无论总体分布如何，样本均值的抽样分布近似服从正态分布。其意义在于：①允许用正态分布近似分析非正态总体的均值问题（如假设检验、置信区间计算）；②为大样本统计推断（如t检验、方差分析）提供理论基础；③降低对数据分布的严格要求，扩大了统计方法的适用范围。

3.判断题：在相关性分析中，皮尔逊相关系数（Pearsonr）为0.8，说明两个变量之间存在因果关系。（）

答案：错误

解析：皮尔逊相关系数衡量变量间线性相关的强度和方向，相关系数高仅说明变量间存在强线性关联，但无法证明因果关系。因果关系需通过实验设计（如随机对照试验）或更严格的因果推断方法（如DAG模型）验证。

二、数据清洗与预处理

1.案例分析题：某电商平台用户行为数据集中存在以下问题，需逐一提出处理方案：

（1）“用户年龄”字段有15%的缺失值，且缺失值集中在新注册用户（注册时间≤7天）；

（2）“商品价格”字段中出现“99999”“-1”等异常值；

（3）“购买时间”字段格式混乱（如“2024/3/5”“2024-03-0514:30”“3-5-2024”）。

答案：

（1）缺失值处理：新注册用户可能未完善资料，可采用“按注册时间分组填充”。若新用户占比高且业务中年龄对分析影响较小，可保留缺失值并标记（如用“未知”）；若需填补，可计算同注册时间段（如1-7天）用户的平均年龄或中位数填充（考虑到年龄可能右偏，中位数更稳健）。

（2）异常值处理：“99999”可能是系统默认填充的错误值（如未录入价格），“-1”可能是录入错误。需结合业务逻辑判断：若商品实际价格无负数或极高值（如平台商品均价≤2000元），可将“99999”和“-1”视为缺失值，用该商品品类的均价或众数替换；若为少量异常，可直接删除对应记录。

（3）时间格式统一：使用Python的`pandas.to_datetime()`函数，设置`errors=coerce`将无法转换的值标记为`NaT`（时间缺失值），再通过`fillna()`或结合其他字段（如订单创建时间）补全；或手动编写正则表达式提取年、月、日、时、分信息，重新拼接为标准格式（如“YYYY-MM-DDHH:MM:SS”）。

三、统计分析方法

1.计算题：某奶茶品牌在A、B两地测试新口味，随机抽取A地100名消费者，满意度均值为8.2（满分10），标准差1.5；B地80名消费者，满意度均值7.8，标准差1.8。假设两地满意度数据独立且总体方差不等，能否认为A地满意度显著高于B地？（α=0.05，t临界值≈1.65）

答案：

步骤1：建立假设。H?：μ?≤μ?（A地满意度不高于B地）；H?：μ?μ?（A地满意度更高）。

步骤2：计算t统计量。

t=(X??-X??)/√(s?2/n?+s?2/n?)=(8.2-7.8)/√(1.52/100+1.82/80)≈0.4/√(0.0225+0.0405)≈0.4/√0.063≈0.4/0.251≈1.59。

步骤3：比较t值与临界值。单侧检验α=0.05，临界值≈1.65。计算得t≈1.591.65，未拒绝原假设。

结论：在α=0.05水平下，不能认为A地满意度显著高于B地。

2.简答题：在回归分析中，多重共线性会导致哪些问题？如何检测？

答案：

多重共线性指自变量间存在高度线性相关。问题：①回归系数估计值方差增大，导致参数不稳定性（微小数据变化可能引起系数大幅波动）；②t检验失效（系数显著性被低估）；③系数符号可能与实际经济意义矛盾（如本应正相关的变量系数为负）。

检测方法：①计算方