2025年數(shù)據(jù)分析師專業(yè)技能考核試卷及答案一、選擇題（每題2分，共12分）

1.以下哪項不是數(shù)據(jù)分析師的核心技能？

A.統(tǒng)計分析

B.編程能力

C.數(shù)據(jù)可視化

D.客戶服務(wù)

答案：D

2.以下哪個不是Python中常用的數(shù)據(jù)分析庫？

A.NumPy

B.Pandas

C.Matplotlib

D.Scrapy

答案：D

3.以下哪個指標(biāo)用于衡量數(shù)據(jù)的集中趨勢？

A.標(biāo)準(zhǔn)差

B.偏度

C.離散系數(shù)

D.平均值

答案：D

4.以下哪個算法屬于機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)？

A.K-Means

B.Apriori

C.決策樹

D.KNN

答案：C

5.以下哪個工具用于數(shù)據(jù)清洗？

A.MySQL

B.Excel

C.Hadoop

D.Python

答案：B

6.以下哪個指標(biāo)用于衡量模型的泛化能力？

A.準(zhǔn)確率

B.精確率

C.召回率

D.F1值

答案：A

二、簡答題（每題4分，共12分）

1.簡述數(shù)據(jù)分析師在數(shù)據(jù)分析過程中的主要步驟。

答案：

（1）數(shù)據(jù)收集：根據(jù)需求收集相關(guān)數(shù)據(jù)；

（2）數(shù)據(jù)預(yù)處理：清洗、整合、轉(zhuǎn)換數(shù)據(jù)；

（3）數(shù)據(jù)探索：分析數(shù)據(jù)的基本特征、趨勢等；

（4）數(shù)據(jù)建模：建立合適的模型進(jìn)行預(yù)測或分析；

（5）結(jié)果評估：對模型進(jìn)行評估，優(yōu)化模型；

（6）結(jié)果呈現(xiàn)：將分析結(jié)果以圖表、報告等形式呈現(xiàn)。

2.簡述Python中Pandas庫的主要功能。

答案：

（1）數(shù)據(jù)操作：支持?jǐn)?shù)據(jù)的讀取、寫入、合并、篩選等操作；

（2）數(shù)據(jù)清洗：支持?jǐn)?shù)據(jù)清洗、去重、填充等操作；

（3）數(shù)據(jù)分析：支持?jǐn)?shù)據(jù)聚合、分組、排序等操作；

（4）數(shù)據(jù)可視化：支持?jǐn)?shù)據(jù)可視化，如柱狀圖、折線圖等。

3.簡述數(shù)據(jù)可視化在數(shù)據(jù)分析中的作用。

答案：

（1）直觀展示數(shù)據(jù)：將復(fù)雜的數(shù)據(jù)以圖表形式呈現(xiàn)，便于理解；

（2）發(fā)現(xiàn)數(shù)據(jù)規(guī)律：通過可視化，更容易發(fā)現(xiàn)數(shù)據(jù)中的規(guī)律和趨勢；

（3）輔助決策：為決策者提供直觀的數(shù)據(jù)支持；

（4）提高溝通效率：通過可視化，更容易與他人溝通數(shù)據(jù)。

4.簡述機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的區(qū)別。

答案：

（1）監(jiān)督學(xué)習(xí)：需要標(biāo)注好的數(shù)據(jù)集，通過學(xué)習(xí)輸入和輸出之間的關(guān)系進(jìn)行預(yù)測；

（2）無監(jiān)督學(xué)習(xí)：不需要標(biāo)注好的數(shù)據(jù)集，通過學(xué)習(xí)數(shù)據(jù)內(nèi)在結(jié)構(gòu)進(jìn)行聚類、降維等操作；

（3）半監(jiān)督學(xué)習(xí)：需要部分標(biāo)注好的數(shù)據(jù)集，結(jié)合無監(jiān)督學(xué)習(xí)進(jìn)行預(yù)測。

5.簡述數(shù)據(jù)分析師在數(shù)據(jù)可視化過程中需要注意的問題。

答案：

（1）數(shù)據(jù)選擇：選擇合適的圖表類型和指標(biāo)；

（2）圖表布局：合理布局圖表，提高可讀性；

（3）顏色搭配：選擇合適的顏色搭配，突出重點；

（4）數(shù)據(jù)精度：根據(jù)數(shù)據(jù)特點，選擇合適的數(shù)據(jù)精度；

（5）圖表注釋：添加必要的注釋，提高圖表易懂性。

三、應(yīng)用題（每題8分，共24分）

1.請使用Python中的Pandas庫對以下數(shù)據(jù)進(jìn)行操作：讀取數(shù)據(jù)、篩選數(shù)據(jù)、數(shù)據(jù)排序、數(shù)據(jù)合并。

數(shù)據(jù)：

|ID|Name|Age|Salary|

|----|------|-----|--------|

|1|張三|25|8000|

|2|李四|30|10000|

|3|王五|35|12000|

答案：

importpandasaspd

#讀取數(shù)據(jù)

data=pd.DataFrame({

'ID':[1,2,3],

'Name':['張三','李四','王五'],

'Age':[25,30,35],

'Salary':[8000,10000,12000]

})

#篩選年齡大于30的數(shù)據(jù)

filtered_data=data[data['Age']>30]

#數(shù)據(jù)排序

sorted_data=data.sort_values(by='Salary',ascending=False)

#數(shù)據(jù)合并

merged_data=pd.merge(data,filtered_data,on='ID')

2.請使用Python中的Matplotlib庫繪制以下數(shù)據(jù)的柱狀圖。

數(shù)據(jù)：

|Name|Salary|

|------|--------|

|張三|8000|

|李四|10000|

|王五|12000|

答案：

importpandasaspd

importmatplotlib.pyplotasplt

#讀取數(shù)據(jù)

data=pd.DataFrame({

'Name':['張三','李四','王五'],

'Salary':[8000,10000,12000]

})

#繪制柱狀圖

plt.bar(data['Name'],data['Salary'])

plt.xlabel('Name')

plt.ylabel('Salary')

plt.title('SalarybyName')

plt.show()

3.請使用Python中的Scikit-learn庫對以下數(shù)據(jù)進(jìn)行分類，并計算模型的準(zhǔn)確率。

數(shù)據(jù)：

|ID|Feature1|Feature2|Label|

|----|----------|----------|-------|

|1|0.1|0.2|1|

|2|0.3|0.4|0|

|3|0.5|0.6|1|

|4|0.7|0.8|0|

|5|0.9|0.1|1|

答案：

importpandasaspd

fromsklearn.model_selectionimporttrain_test_split

fromsklearn.linear_modelimportLogisticRegression

fromsklearn.metricsimportaccuracy_score

#讀取數(shù)據(jù)

data=pd.DataFrame({

'ID':[1,2,3,4,5],

'Feature1':[0.1,0.3,0.5,0.7,0.9],

'Feature2':[0.2,0.4,0.6,0.8,0.1],

'Label':[1,0,1,0,1]

})

#劃分?jǐn)?shù)據(jù)集

X=data[['Feature1','Feature2']]

y=data['Label']

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42)

#訓(xùn)練模型

model=LogisticRegression()

model.fit(X_train,y_train)

#預(yù)測結(jié)果

y_pred=model.predict(X_test)

#計算準(zhǔn)確率

accuracy=accuracy_score(y_test,y_pred)

print('Accuracy:',accuracy)

4.請使用Python中的NumPy庫計算以下數(shù)據(jù)的均值、方差和標(biāo)準(zhǔn)差。

數(shù)據(jù)：

[1,2,3,4,5]

答案：

importnumpyasnp

#讀取數(shù)據(jù)

data=np.array([1,2,3,4,5])

#計算均值、方差和標(biāo)準(zhǔn)差

mean=np.mean(data)

variance=np.var(data)

std_dev=np.std(data)

print('Mean:',mean)

print('Variance:',variance)

print('StandardDeviation:',std_dev)

5.請使用Python中的Scikit-learn庫對以下數(shù)據(jù)進(jìn)行聚類，并計算每個簇的中心點。

數(shù)據(jù)：

|Feature1|Feature2|

|----------|----------|

|0.1|0.2|

|0.3|0.4|

|0.5|0.6|

|0.7|0.8|

|0.9|0.1|

答案：

importpandasaspd

fromsklearn.clusterimportKMeans

#讀取數(shù)據(jù)

data=pd.DataFrame({

'Feature1':[0.1,0.3,0.5,0.7,0.9],

'Feature2':[0.2,0.4,0.6,0.8,0.1]

})

#聚類

kmeans=KMeans(n_clusters=2,random_state=42).fit(data)

#計算每個簇的中心點

cluster_centers=kmeans.cluster_centers_

print('ClusterCenters:')

print(cluster_centers)

本次試卷答案如下：

一、選擇題（每題2分，共12分）

1.答案：D

解析：數(shù)據(jù)分析師的核心技能包括統(tǒng)計分析、編程能力和數(shù)據(jù)可視化，客戶服務(wù)不屬于核心技能。

2.答案：D

解析：NumPy、Pandas和Matplotlib是Python中常用的數(shù)據(jù)分析庫，Scrapy主要用于網(wǎng)絡(luò)爬蟲。

3.答案：D

解析：平均值是衡量數(shù)據(jù)集中趨勢的指標(biāo)，標(biāo)準(zhǔn)差、偏度和離散系數(shù)用于描述數(shù)據(jù)的離散程度。

4.答案：C

解析：決策樹屬于監(jiān)督學(xué)習(xí)算法，K-Means、Apriori和KNN屬于無監(jiān)督學(xué)習(xí)算法。

5.答案：B

解析：Excel是常用的數(shù)據(jù)清洗工具，MySQL是數(shù)據(jù)庫管理系統(tǒng)，Hadoop是大數(shù)據(jù)處理框架，Python是編程語言。

6.答案：A

解析：準(zhǔn)確率、精確率、召回率和F1值都是評估模型性能的指標(biāo)，其中準(zhǔn)確率用于衡量模型的泛化能力。

二、簡答題（每題4分，共12分）

1.答案：

（1）數(shù)據(jù)收集；

（2）數(shù)據(jù)預(yù)處理；

（3）數(shù)據(jù)探索；

（4）數(shù)據(jù)建模；

（5）結(jié)果評估；

（6）結(jié)果呈現(xiàn)。

2.答案：

（1）數(shù)據(jù)操作；

（2）數(shù)據(jù)清洗；

（3）數(shù)據(jù)分析；

（4）數(shù)據(jù)可視化。

3.答案：

（1）直觀展示數(shù)據(jù)；

（2）發(fā)現(xiàn)數(shù)據(jù)規(guī)律；

（3）輔助決策；

（4）提高溝通效率。

4.答案：

（1）監(jiān)督學(xué)習(xí)；

（2）無監(jiān)督學(xué)習(xí)；

（3）半監(jiān)督學(xué)習(xí)。

5.答案：

（1）數(shù)據(jù)選擇；

（2）圖表布局；

（3）顏色搭配；

（4）數(shù)據(jù)精度；

（5）圖表注釋。

三、應(yīng)用題（每題8分，共24分）

1.答案：

importpandasaspd

data=pd.DataFrame({

'ID':[1,2,3],

'Name':['張三','李四','王五'],

'Age':[25,30,35],

'Salary':[8000,10000,12000]

})

filtered_data=data[data['Age']>30]

sorted_data=data.sort_values(by='Salary',ascending=False)

merged_data=pd.merge(data,filtered_data,on='ID')

2.答案：

importpandasaspd

importmatplotlib.pyplotasplt

data=pd.DataFrame({

'Name':['張三','李四','王五'],

'Salary':[8000,10000,12000]

})

plt.bar(data['Name'],data['Salary'])

plt.xlabel('Name')

plt.ylabel('Salary')

plt.title('SalarybyName')

plt.show()

3.答案：

importpandasaspd

fromsklearn.model_selectionimporttrain_test_split

fromsklearn.linear_modelimportLogisticRegression

fromsklearn.metricsimportaccuracy_score

data=pd.DataFrame({

'ID':[1,2,3,4,5],

'Feature1':[0.1,0.3,0.5,0.7,0.9],

'Feature2':[0.2,0.4,0.6,0.8,0.1],

'Label':[1,0,1,0,1]

})

X=data[['Feature1','Feature2']]

y=data['Label']

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42)

model=LogisticRegression()

model.fit(X_train,y_train)