数据分析师面试题库及能力测试参考含答案.docxVIP

第PAGE页共NUMPAGES页

2026年数据分析师面试题库及能力测试参考含答案

一、选择题（每题2分，共10题）

1.在处理缺失值时，以下哪种方法最适用于连续型数据？

A.删除含有缺失值的行

B.使用均值或中位数填充

C.使用众数填充

D.使用模型预测缺失值

2.以下哪种指标最适合衡量分类模型的预测准确性？

A.均方误差（MSE）

B.R2（决定系数）

C.准确率（Accuracy）

D.均值绝对误差（MAE）

3.在时间序列分析中，ARIMA模型适用于哪种类型的数据？

A.分类数据

B.交叉数据

C.平稳时间序列

D.样本数据

4.以下哪种数据库最适合处理大规模数据分析任务？

A.关系型数据库（如MySQL）

B.NoSQL数据库（如MongoDB）

C.数据仓库（如AmazonRedshift）

D.文件系统（如HDFS）

5.在数据可视化中，以下哪种图表最适合展示不同类别之间的比例关系？

A.折线图

B.散点图

C.饼图

D.柱状图

答案及解析

1.B

解析：对于连续型数据，均值或中位数填充能较好地保留数据的分布特征，而删除行会导致数据量减少，众数填充适用于分类数据。模型预测缺失值虽然准确，但计算成本高。

2.C

解析：准确率衡量模型正确预测的样本比例，适用于分类模型。MSE、R2和MAE主要用于回归问题。

3.C

解析：ARIMA模型适用于平稳时间序列，即数据均值和方差不随时间变化。其他选项不适用于时间序列分析。

4.C

解析：数据仓库（如AmazonRedshift）专为大规模数据分析设计，支持分布式计算和复杂查询。关系型数据库和NoSQL数据库更适用于事务处理或非结构化数据存储。

5.C

解析：饼图直观展示各部分占比，折线图适合趋势分析，散点图用于关系探索，柱状图适合比较数值大小。

二、简答题（每题5分，共5题）

1.简述数据清洗的步骤及其重要性。

2.解释什么是特征工程，并举例说明其作用。

3.描述K-Means聚类算法的基本原理及其适用场景。

4.如何评估一个特征选择方法的优劣？

5.解释什么是SQL窗口函数，并列举至少两种常用窗口函数。

答案及解析

1.数据清洗步骤及其重要性

步骤：

-处理缺失值（删除、填充、插值等）；

-处理异常值（剔除或修正）；

-统一数据格式（如日期格式、数值类型）；

-去重；

-处理不一致数据（如统一命名规则）。

重要性：原始数据往往存在噪声和错误，清洗能提高数据质量，确保分析结果的可靠性。

2.特征工程及其作用

特征工程通过转换或组合原始特征，生成更有效的输入变量。例如：

-对文本数据提取TF-IDF特征；

-将时间序列数据转换为滞后特征；

-合并多个维度生成新特征（如“年龄×收入”）。

作用：提升模型性能，减少过拟合，降低数据维度。

3.K-Means聚类原理及适用场景

原理：

-随机选择K个初始聚类中心；

-将每个数据点分配到最近的中心；

-重新计算聚类中心；

-重复迭代直至收敛。

适用场景：

-场景分类（如用户画像）；

-异常检测（离群点不聚类）；

-数据探索（发现潜在模式）。

4.特征选择方法评估

-相关性分析：特征与目标变量的相关系数越高越好；

-模型性能：通过交叉验证评估特征子集的模型表现；

-维度压缩：如L1正则化（Lasso）能自动选择重要特征；

-业务合理性：结合领域知识筛选有意义的特征。

5.SQL窗口函数及其应用

窗口函数在结果集上定义“窗口”（如一行及其周围行），进行聚合计算：

-`ROW_NUMBER()`：按条件排序并分配序号；

-`RANK()`：处理并列排名（如销售Top3）；

-`AVG()OVER(PARTITIONBY...)`：分组计算移动平均。

三、编程题（每题10分，共3题）

1.使用Python实现以下任务：

-读取CSV文件，筛选出“销售额”大于10000的行；

-计算每个“城市”的“销售额”总和，并排序；

-绘制柱状图展示结果。

2.编写SQL查询：

-表格`sales`包含字段`id`（主键）、`date`、`amount`；

-查询最近30天内每日的总销售额，按日期降序排列。

3.使用Python实现简单线性回归，预测“房价”：

-数据集包含`size`（面积）和`price`（价格）；

-计算回归系数，并预测`size=200`时的价格。

答案及解析

1.Python实现

python

importpandasaspd

importmatplotlib.pyplotasplt

读取数据

data=pd.read_csv(sales.cs