2025年数据分析师专业技能测试题库及答案集.docxVIP

2025年数据分析师专业技能测试题库及答案集

一、数据清洗与预处理（共5题）

1.某电商平台用户行为数据集包含以下字段：user_id（用户ID）、event_time（事件时间，格式为2024-11-20T14:30:45.000Z）、event_type（事件类型：view/click/purchase）、product_id（商品ID）、price（商品价格，部分记录为NaN或￥99.9）、category_id（品类ID）。请列出针对该数据集需完成的5项关键清洗步骤，并说明每项步骤的具体处理方法。

答案：

（1）时间格式标准化：使用Pandas的to_datetime函数将event_time字段转换为datetime64[ns]类型，提取时区信息（若统一为UTC则无需额外处理），确保后续时间序列分析的准确性。

（2）缺失值处理：对price字段的NaN缺失值，若缺失比例5%，采用同品类商品价格的中位数填充；若缺失比例30%且为关键分析指标（如客单价计算），则剔除对应记录。

（3）货币符号清洗：针对price字段的￥99.9格式，使用正则表达式替换（如str.replace(r￥,,regex=True)）去除货币符号，转换为float类型。

（4）异常值检测与修正：对price字段进行IQR分析（计算Q1=25%分位数，Q3=75%分位数，IQR=Q3-Q1），定义异常值为Q1-1.5IQR或Q3+1.5IQR的记录，结合业务判断（如是否存在奢侈品类目）决定保留或修正（修正为Q3+1.5IQR）。

（5）事件类型校验：检查event_type是否仅包含view/click/purchase，若存在其他值（如add_to_cart），需确认是否为数据采集错误，若是则统一映射为标准类型或标记为异常。

2.某医疗数据集包含患者年龄字段，部分记录显示为0或150，其余为正常数值（18-90）。请设计两种检测该字段异常值的方法，并说明如何处理这些异常值。

答案：

检测方法：

（1）统计检验法：计算年龄字段的均值（μ）和标准差（σ），定义异常值为|x-μ|3σ的记录（3σ原则）。

（2）业务规则法：根据医学常识，设定合理年龄范围（如18-120岁），超出该范围的记录标记为异常。

处理方法：

（1）对于0值：若为新生儿记录（需结合其他字段如is_newborn判断），保留并标注；若无关联字段，视为数据录入错误，剔除或用同科室患者年龄的中位数填充。

（2）对于150值：明显超出人类寿命极限，判定为录入错误，若缺失比例2%则剔除；若需保留，用该字段99%分位数（如95岁）替代。

二、SQL查询（共5题）

3.已知用户订单表orders（order_id,user_id,order_time,total_amount）和用户信息表users（user_id,register_time,city），要求计算2024年Q3每个城市的新用户首单转化率（新用户定义为2024年Q3注册的用户，首单指注册后7天内的第一笔订单）。

答案：

```sql

WITHnew_usersAS(

SELECTuser_id,city

FROMusers

WHEREregister_timeBETWEEN2024-07-01AND2024-09-30

),

first_ordersAS(

SELECT

o.user_id,

MIN(o.order_time)ASfirst_order_time

FROMorderso

JOINnew_usersnuONo.user_id=nu.user_id

WHEREo.order_time=nu.register_time

ANDo.order_time=nu.register_time+INTERVAL7days

GROUPBYo.user_id

)

SELECT

nu.city,

COUNT(DISTINCTfo.user_id)ASconverted_users,

COUNT(DISTINCTnu.user_id)AStotal_new_users,

COUNT(DISTINCTfo.user_id)::FLOAT/COUNT(DISTINCTnu.user_id)ASconversion_rate

FROMnew_usersnu

LEFTJOINfirst_ordersfoONnu.user_id=fo.user_id

GROUPBYnu.city;

```

4.某视频平台用户行为表action（user_id,video_id,