数据分析面试中的压力测试题解含答案.docxVIP

第PAGE页共NUMPAGES页

2026年数据分析面试中的压力测试题解含答案

第一部分：数据分析基础（5题，每题8分，共40分）

1.数据清洗与预处理

题目：

某电商公司提供了2025年1月至10月的订单数据，包含用户ID、订单金额、订单时间、商品类别等字段。数据中存在以下问题：

-部分用户ID为空；

-订单金额有异常值（如负数或超过10万元）；

-订单时间格式不统一（部分为2025-01-0112:00:00，部分为2025/01/01）；

-商品类别中存在拼写错误（如电子和电子产品）。

请说明如何进行数据清洗，并列出至少3个关键步骤及对应的方法。

答案与解析：

关键步骤与方法：

1.处理缺失值：

-用户ID为空时，若订单金额较高，可考虑填充该用户的常用ID（基于历史数据）；若缺失比例过高，可删除该订单或标记为特殊值。

-示例方法：均值/中位数填充、KNN填充或删除缺失值。

2.处理异常值：

-订单金额异常时，可通过箱线图识别（如IQR法则），将负数或超出阈值的订单视为异常并剔除或修正。

-示例方法：分位数裁剪、均值替换或删除。

3.统一时间格式：

-使用Python的`pandas`或SQL的`TO_TIMESTAMP`函数将所有时间转换为标准格式（如YYYY-MM-DDHH:MI:SS）。

-示例代码（Python）：

python

df[order_time]=pd.to_datetime(df[order_time],errors=coerce)

4.标准化分类名称：

-使用`replace`或`map`函数修正拼写错误（如将电子产品统一为电子）。

-示例代码（Python）：

python

category_map={电子产品:电子,电器:电子}

df[product_category]=df[product_category].replace(category_map)

评分标准：

-每步方法合理且可落地得8分，共40分。

2.统计分析

题目：

某银行收集了2025年5000名客户的年龄、收入和存款数据，要求：

-计算年龄的中位数和四分位数；

-分析收入与存款的相关性，并解释结果；

-若要筛选高价值客户，如何定义高价值（给出具体标准）。

答案与解析：

计算中位数和四分位数：

-使用`pandas`或SQL的`PERCENTILE_CONT`函数：

python

age_median=df[age].median()

age_q25,age_q75=df[age].quantile([0.25,0.75])

分析相关性：

-计算Pearson相关系数（若数据连续）或Spearman等级相关系数（若数据非正态）。

-示例结果：若相关系数为0.6，说明收入与存款正相关，高收入客户倾向高存款。

高价值客户定义：

-标准化方法：

-存款前20%的客户；

-收入＞均值+2σ且存款＞均值+1σ的客户；

-或自定义规则（如存款＞5万元且年龄＜40岁）。

评分标准：

-每步方法合理得8分，共40分。

3.数据可视化

题目：

某外卖平台需要分析2025年Q3用户地域分布，数据包含省份、城市、订单量。请设计一个可视化方案，并说明选择理由。

答案与解析：

可视化方案：

1.地图热力图：

-使用GeoJSON和`Folium`/`ECharts`绘制中国地图，颜色深浅表示订单量。

-理由：直观展示地域分布差异。

2.饼图/柱状图：

-按省份统计订单量占比（饼图），或对比各城市订单量（柱状图）。

-理由：突出重点省份/城市。

评分标准：

-方案合理且理由充分得8分，共40分。

4.SQL查询

题目：

假设有表`orders`（订单ID、用户ID、金额、订单时间）和`users`（用户ID、注册时间、城市）。请写出SQL查询：

-统计2025年每月新增用户数量；

-查询每个城市的总订单金额排名前3的用户。

答案与解析：

查询1：

sql

SELECT

EXTRACT(MONTHFROMorder_time)ASmonth,

COUNT(DISTINCTuser_id)ASnew_users

FROMorders

WHEREorder_timeBETWEEN2025-01-01AND2025-12-31

GROUPBYmonth

ORDERBYmonth;

查询2：

sql

SELECT

users.city,

users.user_id,

SUM(orders.amount)AStotal_amount

FROMorders

JOINusersONorders.us