2025年高级数据分析师考试题库（附答案和详细解析）（1213）.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）

以下关于数据清洗中缺失值处理的描述，正确的是？

A.所有缺失值都应直接删除以保证数据完整性

B.连续型变量缺失值可用众数填充

C.需根据数据分布和业务场景选择插值方法

D.分类变量缺失值必须用均值填充

答案：C

解析：缺失值处理需结合数据类型（连续/分类）、缺失比例（是否超过50%）及业务含义（如用户收入缺失可能隐含低消费能力）。A错误，直接删除可能导致数据丢失；B错误，连续型变量常用均值或中位数填充，众数适用于分类变量；D错误，分类变量可用众数或新增“缺失”类别填充。

在假设检验中，若显著性水平α=0.05，p值=0.03，则结论是？

A.接受原假设，差异不显著

B.拒绝原假设，差异显著

C.无法判断，需增大样本量

D.原假设为真的概率是3%

答案：B

解析：p值是原假设成立时观察到极端值的概率。当p值α时拒绝原假设。A错误，p值0.05应拒绝原假设；C错误，p值已足够小无需增大样本；D错误，p值不是原假设为真的概率，而是数据与原假设矛盾的程度。

以下哪项不属于特征工程的核心任务？

A.特征选择（FeatureSelection）

B.特征构造（FeatureConstruction）

C.特征缩放（FeatureScaling）

D.超参数调优（HyperparameterTuning）

答案：D

解析：特征工程关注数据本身的优化，包括选择、构造、变换特征；超参数调优属于模型训练阶段。A/B/C均为特征工程常见操作（如用IV值筛选特征、构造交互特征、标准化处理）。

在A/B测试中，若实验组转化率提升15%但统计不显著，最可能的原因是？

A.样本量不足

B.分组未随机

C.实验周期过短

D.以上都可能

答案：D

解析：统计不显著可能因样本量不足（检验效能低）、分组偏差（如实验组集中高活跃用户）、实验周期过短（未覆盖完整用户行为周期）。三者均可能导致结果不可靠。

以下哪种场景最适合使用决策树模型？

A.高维稀疏文本分类（如垃圾邮件识别）

B.时间序列预测（如股票价格）

C.需解释性的用户分群（如客户分层）

D.线性可分的二分类问题（如信用评分）

答案：C

解析：决策树通过规则分支提供清晰解释，适合需要业务可理解的场景（如“消费1000元且近30天登录5次为高价值用户”）。A适合逻辑回归或神经网络；B适合ARIMA或LSTM；D适合逻辑回归（计算效率更高）。

数据仓库（DW）与数据湖（DataLake）的核心区别是？

A.数据存储格式（结构化vs非结构化）

B.数据处理阶段（实时vs批量）

C.数据使用目标（分析vs存储）

D.数据质量要求（高vs低）

答案：A

解析：数据仓库主要存储结构化数据（如关系型数据库表），支持OLAP分析；数据湖存储原始、多格式数据（文本、图片、日志），支持多样化分析。B错误，两者均可处理实时/批量；C错误，均服务于分析；D错误，数据湖也需质量管控。

以下哪项指标最适合评估回归模型的预测精度？

A.准确率（Accuracy）

B.R2决定系数（R-squared）

C.混淆矩阵（ConfusionMatrix）

D.提升度（Lift）

答案：B

解析：R2衡量模型解释因变量变异的比例（越接近1越好），是回归模型的核心指标。A/C用于分类问题；D用于营销模型效果评估。

在Python中，使用Pandas处理数据时，df.groupby(category)[sales].transform(mean)的作用是？

A.按类别计算销售额的均值并分组

B.按类别计算销售额的均值并广播回原数据行

C.按类别筛选销售额等于均值的行

D.按类别对销售额进行均值归一化

答案：B

解析：transform()会将分组聚合结果（如类别均值）与原数据行对齐，生成与原数据等长的序列（常用于填充缺失值或计算离均值差）。A错误，未改变数据结构；C错误，筛选需用filter()；D错误，归一化需进一步计算（如（x-mean）/std）。

以下哪种情况会导致多重共线性问题？

A.自变量间存在高度线性相关

B.因变量与自变量非线性相关

C.样本量远小于特征数量

D.数据中存在异常值

答案：A

解析：多重共线性指自变量间存在强线性关系（如身高与体重），导致回归系数估计不稳定。B属于模型选择问题；C可能导致过拟合；D影响模型鲁棒性。

关于数据伦理，以下行为符合规范的是？

A.未经用户同意使用其脱敏后的浏览记录

B.在报告中隐去可能识别个人身份的信息

C.为提升模型效果，合并多个未授权数据集

D.因商业利益夸大分析结论的可靠性

答案：B

解析：数据伦理要求最小化隐私风险（如去标识化