2025年高级数据分析师考试题库（附答案和详细解析）（1206）.docxVIP

高级数据分析师考试试卷

一、单项选择题（共10题，每题1分，共10分）

在分类模型评估中，当正负样本严重不平衡时，最不适合作为核心评估指标的是（）

A.F1分数

B.准确率（Accuracy）

C.召回率（Recall）

D.AUC-ROC

答案：B

解析：准确率（Accuracy）是预测正确样本数占总样本数的比例。当正负样本严重不平衡（如99%为负样本）时，模型即使全部预测为负样本，准确率也能达到99%，但实际对正样本的识别能力可能极差。F1分数（精确率与召回率的调和平均）、召回率（关注正样本覆盖）和AUC-ROC（不受类别分布影响）更适合不平衡场景。

以下哪项属于时间序列分析中的“趋势（Trend）”成分？（）

A.某电商平台每年“双11”的销量高峰

B.某城市每月用电量随季节变化的规律

C.某股票价格长期呈现的上涨态势

D.某地区每日气温的随机波动

答案：C

解析：趋势（Trend）是时间序列在长期内呈现的持续上升、下降或平稳的变化方向。选项A是周期性事件（周期为1年），属于季节成分；选项B是季节性波动（周期为1年）；选项D是随机噪声（Irregular）；选项C是长期上涨的趋势。

在特征工程中，对“用户注册时间”字段进行分箱（Binning）处理时，最合理的分箱依据是（）

A.等距分箱（按时间长度均分）

B.等频分箱（按用户数量均分）

C.业务逻辑分箱（如“新用户”“老用户”）

D.随机分箱

答案：C

解析：特征分箱需结合业务场景。“用户注册时间”的核心业务意义是用户生命周期阶段（如新用户可能活跃度高，老用户可能更忠诚），因此按业务逻辑分箱（如注册1个月内、1-6个月、6个月以上）能更好捕捉用户行为差异。等距/等频分箱可能忽略业务含义，随机分箱无意义。

以下哪项是数据仓库（DataWarehouse）的典型特征？（）

A.支持实时写入与更新

B.面向事务处理（OLTP）

C.数据按主题（Subject）组织

D.存储原始未加工的数据

答案：C

解析：数据仓库的核心特征是面向主题（按业务主题如“销售”“客户”组织数据）、集成性（整合多源数据）、非易失性（历史数据长期保留）和时变性（定期更新）。OLTP是数据库的功能（支持实时事务），数据仓库支持OLAP（分析型处理）；数据仓库存储的是经过ETL处理的结构化数据，而非原始数据。

在A/B测试中，若实验组与对照组的样本量差异过大（如实验组1000样本，对照组100样本），最可能导致的问题是（）

A.统计功效（Power）不足

B.第一类错误（TypeIError）概率上升

C.混淆变量（Confounder）无法控制

D.结果无法推广到总体

答案：A

解析：统计功效（Power）指正确拒绝原假设的概率，与样本量正相关。对照组样本量过小会导致检验效能不足，可能无法检测到真实存在的差异（第二类错误概率上升）。第一类错误由显著性水平（α）控制；混淆变量需通过随机分组控制；样本代表性影响推广性，与样本量差异无关。

以下哪种算法最适合处理高维稀疏的文本数据（如用户评论）？（）

A.决策树（DecisionTree）

B.逻辑回归（LogisticRegression）

C.支持向量机（SVM）（核函数为线性核）

D.K近邻（KNN）

答案：C

解析：文本数据经词袋模型或TF-IDF转换后通常维度极高（如数万维）且稀疏（大部分特征值为0）。线性核SVM在高维空间中仍能高效计算，且对稀疏数据敏感；逻辑回归需处理高维特征时可能因过拟合需要强正则化；决策树在高维稀疏数据中易过拟合；KNN计算复杂度随维度增加呈指数级上升（维度灾难）。

因果推断中，“后门准则（BackdoorCriterion）”的作用是（）

A.识别需要控制的混淆变量

B.评估因果效应的大小

C.检验数据的随机化程度

D.消除选择偏差

答案：A

解析：后门准则用于确定需要调整（控制）的变量集合，以阻断所有从原因到结果的“后门路径”（即混淆变量引起的非因果关联）。通过控制这些变量，可估计因果效应。评估因果效应大小需结合具体方法（如倾向得分匹配）；检验随机化程度是随机实验的前提；消除选择偏差需通过研究设计（如随机分组）。

以下哪项不属于数据清洗（DataCleaning）的范畴？（）

A.处理缺失值（如用均值填充）

B.修正格式错误（如“2023/13/01”改为“2024/01/01”）

C.合并多源数据（如将用户表与订单表关联）

D.检测并处理异常值（如用IQR方法识别离群点）

答案：C

解析：数据清洗的核心是解决数据质量问题（缺失、错误、异常），而合并多源数据属于数据集成（DataIntegration），是将不同来源的数据整合为