2026年面试题集碧水源数据分析工程师面试要点.docxVIP

第PAGE页共NUMPAGES页

2026年面试题集：碧水源数据分析工程师面试要点

一、数据分析基础理论（5题，每题2分，共10分）

1.题目：简述数据清洗在数据分析流程中的重要性，并列举至少三种常见的数据清洗方法。

答案：数据清洗是数据分析流程中不可或缺的一环，其重要性体现在：

-提高数据质量：原始数据往往存在缺失值、异常值、重复值等问题，清洗可以确保数据准确性。

-提升分析效率：清洗后的数据更易于处理和分析，避免因数据质量问题导致分析结果偏差。

-增强模型可靠性：高质量的数据是模型训练的基础，清洗可以减少噪声干扰，提高模型泛化能力。

常见的数据清洗方法包括：

-缺失值处理：删除缺失值、均值/中位数填充、众数填充、KNN填充等。

-异常值处理：使用箱线图识别异常值，通过删除、替换或分箱处理。

-重复值处理：通过唯一标识符或逻辑判断删除重复记录。

-数据格式统一：统一日期格式、文本格式等，确保数据一致性。

2.题目：解释什么是分箱（Binning）？在数据预处理中如何应用分箱？

答案：分箱是将连续型变量离散化为有限个区间（bins）的技术，常用于：

-处理非线性关系：某些模型（如决策树）偏好离散变量，分箱可增强特征与目标变量的线性关系。

-降低数据维度：减少连续变量的噪声，提高模型稳定性。

应用方法：

-等宽分箱：将数据均分为若干区间，如将年龄分为[0-18,19-35,36-60,60+]。

-等频分箱：按数据频率均分，如将收入按20%等频分为四组。

-基于业务规则的分箱：如将用水量按“低、中、高”分段。

3.题目：描述皮尔逊相关系数和斯皮尔曼相关系数的区别，并说明在哪些场景下优先选择哪种？

答案：

-皮尔逊相关系数：衡量两个变量线性关系的强度，取值[-1,1]，假设数据呈正态分布。

-斯皮尔曼相关系数：衡量单调关系的强度，不依赖数据分布，适用于非正态或存在异常值的数据。

选择场景：

-皮尔逊：数据分布近似正态，且无明显异常值（如身高与体重）。

-斯皮尔曼：数据分布未知或存在异常值（如用户消费金额与活跃度）。

4.题目：什么是过拟合和欠拟合？如何通过交叉验证避免过拟合？

答案：

-过拟合：模型对训练数据拟合过度，泛化能力差，表现为训练集误差低但测试集误差高。

-欠拟合：模型过于简单，未能捕捉数据规律，表现为训练集和测试集误差均较高。

交叉验证：

-K折交叉验证：将数据分为K份，轮流用K-1份训练、1份测试，计算平均性能。

-留一法交叉验证：每次留一份数据测试，适用于小样本数据。

-留出法交叉验证：固定训练集和测试集，减少数据泄漏风险。

5.题目：简述协方差矩阵在数据降维（如PCA）中的作用。

答案：协方差矩阵用于衡量变量间的线性关系，PCA降维的核心思想是：

-最大化方差：选择投影方向使数据在新坐标系下的方差最大。

-正交性：新特征（主成分）相互独立，避免多重共线性。

协方差矩阵的特征值决定了主成分的方差贡献，特征向量则指示投影方向。

二、SQL与数据库（6题，每题2分，共12分）

1.题目：写出SQL查询，统计每日活跃用户数（定义：当天至少登录一次的用户），并按日期排序。

答案：

sql

SELECT

login_date,

COUNT(DISTINCTuser_id)ASactive_users

FROM

user_actions

WHERE

action_type=login

GROUPBY

login_date

ORDERBY

login_date;

2.题目：假设有表`orders`（订单表）和`order_items`（订单明细表），关系为`orders.id=order_items.order_id`。查询每个订单的总金额（`order_items.pricequantity`），并筛选出金额大于100的订单。

答案：

sql

SELECT

o.idASorder_id,

SUM(oi.priceoi.quantity)AStotal_amount

FROM

orderso

JOINorder_itemsoiONo.id=oi.order_id

GROUPBY

o.id

HAVING

SUM(oi.priceoi.quantity)100;

3.题目：优化以下SQL查询：

sql

SELECTFROMusersWHEREageBETWEEN20AND30ANDcity=北京;

答案：

-索引优化：创建复合索引`idx_age_city(age,city)`，提高查询效率。

-避免全表扫描：确保`age`和`city`字段有索引。

sql