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、基础概念与统计学原理

1.问题：请说明定类数据（NominalData）、定序数据（OrdinalData）、定距数据（IntervalData）、定比数据（RatioData）的核心区别，并各举一例。

答案：四类数据的核心区别在于测量尺度的层次：

-定类数据：仅用于分类，无顺序或数值意义，如性别（男/女）、血型（A/B/O/AB）。

-定序数据：有顺序但无固定间隔，如教育程度（小学初中高中大学）、满意度（低/中/高）。

-定距数据：有顺序且间隔相等，但无绝对零点，如温度（℃）、智商分数（IQ）。

-定比数据：有顺序、相等间隔且有绝对零点，如身高（cm）、收入（元）、年龄（岁）。

2.问题：中心极限定理（CentralLimitTheorem）的核心结论是什么？在数据分析中如何应用？

答案：中心极限定理指出，无论总体分布如何，当样本量足够大（通常n≥30）时，样本均值的抽样分布近似服从正态分布，均值等于总体均值，方差等于总体方差除以样本量。

应用场景：

-对未知分布的总体进行均值推断（如通过大样本估计某城市居民平均月收入）；

-构建置信区间或进行假设检验（如用Z检验替代t检验，当样本量足够大时）；

-降低非正态数据对统计方法的限制（如回归分析中误差项的正态性假设）。

3.问题：解释“辛普森悖论”（SimpsonsParadox），并举例说明其产生原因。

答案：辛普森悖论指在分组数据中呈现的趋势，在合并数据后可能反转的现象。原因通常是存在混杂变量（Confounder），即分组时未控制的关键变量影响了结果。

例：某药物试验中，分组统计显示药物对男性和女性均无效（男性有效率：对照组50%vs药物组40%；女性有效率：对照组30%vs药物组25%），但合并后药物组总有效率（35%）高于对照组（32%）。原因是药物组中女性比例更高（女性基数大且整体有效率低），导致分组趋势被掩盖。

4.问题：简述第一类错误（TypeIError）与第二类错误（TypeIIError）的定义，并说明显著性水平α与β的关系。

答案：

-第一类错误（弃真错误）：原假设H?为真时，错误拒绝H?的概率，记为α；

-第二类错误（取伪错误）：原假设H?为假时，错误接受H?的概率，记为β。

α与β呈负相关：当α减小时（如从0.05降至0.01），拒绝域缩小，β会增大；反之，增大α会降低β。实际中需根据研究目的权衡，如医学试验中通常严格控制α（避免误判无效药物为有效）。

5.问题：简述“过拟合”（Overfitting）与“欠拟合”（Underfitting）的区别，以及如何检测和解决。

答案：

-过拟合：模型在训练集上表现极佳（如准确率99%），但在测试集上表现显著下降（如准确率60%），原因是模型过度学习了训练数据的噪声或细节。

-欠拟合：模型在训练集和测试集上表现均差（如准确率均70%），原因是模型复杂度不足，无法捕捉数据的核心规律。

检测方法：通过交叉验证（如K折交叉验证）比较训练集与验证集的性能指标（如准确率、均方误差）。

解决过拟合：增加数据量、正则化（L1/L2正则）、减少特征数量、早停法（EarlyStopping）；

解决欠拟合：增加模型复杂度（如多项式特征、更深的神经网络）、调整超参数（如决策树的最大深度）。

二、数据清洗与预处理

6.问题：某电商用户行为数据集（字段：用户ID、购买时间、商品类别、支付金额、地域）中，支付金额存在5%的缺失值，且缺失值分布与地域相关（如东北地区缺失率15%，其他地区3%）。请设计一套缺失值处理方案，并说明理由。

答案：处理方案分四步：

（1）验证缺失机制：通过卡方检验验证“支付金额缺失”与“地域”的相关性（原假设：缺失与地域无关）。若p0.05，说明为“缺失与可观测变量相关”（MissingatRandom,MAR）。

（2）分地域处理：因东北地区缺失率高且与地域相关，单独处理该区域：

-若东北地区样本量足够（如1000条），可用该区域内“商品类别”相同的非缺失值的中位数填充；

-若样本量小，可构建回归模型（自变量：商品类别、购买时间）预测缺失值。

（3）其他地区缺失率低（3%），直接删除缺失行或用全局中位数填充（避免模型偏差）。

（4）验证处理效果：比较处理前后“支付金额”的分布（如均值、方差、分位数）及与其他变量的相关性（如与商品类别的关联），确保无显著变化。

7.问题：如何检测数据中的异常值（Outlier）？请至少列举3种方法，并说明各