数据分析面试题目及详细答案.docxVIP

数据分析面试题目及详细答案

一、基础理论类

1.请解释什么是描述性统计和推断性统计，以及它们在实际工作中的应用场景

答案：

描述性统计：核心是对已有数据的特征进行概括和展示，不涉及对未知数据的推断。主要通过统计量（如均值、中位数、众数、方差、标准差）和图表（直方图、箱线图、折线图）来呈现数据的集中趋势、离散程度和分布形态。

应用场景：日常数据监控（如月度销售额汇总、用户活跃度统计）、数据报告基础呈现（如APP日活DAU、留存率的直观展示）、数据质量初步校验（如通过标准差判断某指标是否存在异常波动）。

推断性统计：基于样本数据去推断总体的特征和规律，核心是“用部分推断整体”，会伴随概率估计和置信区间。常见方法包括假设检验、回归分析、方差分析等。

应用场景：产品AB测试（通过样本用户的转化差异，推断新功能对全体用户的影响）、市场调研（通过部分消费者的调研数据，推断整个目标客群的偏好）、风险预测（基于历史样本数据构建回归模型，推断未来业务风险概率）。

2.什么是数据的离散程度？常用的衡量指标有哪些，它们的区别是什么

答案：

数据的离散程度是指数据集中各数据点偏离中心值（如均值、中位数）的程度，反映数据的波动情况和稳定性，离散程度越大，说明数据越不稳定、波动越剧烈。

常用指标及区别：

1.极差：最大值-最小值。优点是计算简单、直观；缺点是只受极端值影响，忽略中间数据的分布，稳定性差。比如某团队薪资极差大，可能只是个别高管薪资极高，不能反映普通员工薪资波动。

2.方差：各数据点与均值差的平方和除以数据个数（总体方差）或样本个数-1（样本方差）。优点是考虑了所有数据点与均值的偏离；缺点是平方后放大了极端值的影响，且单位是原数据单位的平方，不直观。

3.标准差：方差的平方根。优点是解决了方差单位不直观的问题，单位与原数据一致，是最常用的指标；缺点同样会受极端值影响。

4.四分位距（IQR）：上四分位数（Q3）-下四分位数（Q2）。优点是不受极端值影响，能反映数据中间50%部分的离散程度；缺点是忽略了两端数据的分布情况。常用于异常值检测（如超过Q3+1.5IQR或低于Q1-1.5IQR的为异常值）。

二、技术实操类

1.用SQL查询：某电商平台2024年10月，每个用户的下单总金额、下单次数，要求只保留有下单记录的用户，结果按总金额降序排列

答案：

假设存在订单表orders，核心字段：user_id（用户ID）、order_id（订单ID）、pay_amount（支付金额）、create_time（下单时间）。

sql

SELECT

user_id,

SUM(pay_amount)AStotal_pay,--下单总金额

COUNT(order_id)ASorder_count--下单次数（按订单ID计数，避免重复）

FROM

orders

WHERE

create_timeBETWEEN2024-10-0100:00:00AND2024-10-3123:59:59--筛选2024年10月订单

GROUPBY

user_id--按用户分组

HAVING

COUNT(order_id)0--保留有下单记录的用户（GROUPBY后筛选，用HAVING）

ORDERBY

total_payDESC;--按总金额降序排列

补充说明：

1.若存在取消订单、退款订单，需先筛选有效订单（如增加WHEREorder_status=已支付），避免统计无效金额；

2.计数时优先用order_id（唯一标识），而非user_id，防止同一用户同一订单被重复统计；

3.时间筛选也可使用DATE_FORMAT(create_time,%Y-%m)=2024-10，但BETWEEN在索引优化上更有优势（若create_time有索引）。

2.用Python进行数据清洗：如何处理数据中的缺失值和异常值？请分别说明常用方法及适用场景

答案：

###一、缺失值处理

核心原则：先分析缺失值原因（随机缺失/非随机缺失），再选择处理方法，避免盲目填充或删除导致数据偏差。

1.删除法：

适用场景：缺失值占比极低（如5%）、缺失值随机分布、删除后不影响样本代表性。

方法：df.dropna(subset=[字段名],inplace=True)（按字段删除缺失行）；df.dropna(axis=1,thresh=len(df)*0.95)（删除缺失率5%的列）。

注意：避免缺失值占比高时使用（如20%），否则会丢失大量有效数据。

2.填充法：

（1）数值型数据：

-均值填充：适用场景（数据分布