数据分析笔试题目答案

数据分析笔试题目答案

1、异常值是指什么请列举1种识别连续型变量异常值的方法

异常值(Outlier) 是指样本中的个别值，其数值明显偏离所属样本的其余观测值。在数理统计里一般是指一组观测值中与平均值的偏差超过两倍标准差的测定值.

常见的异常值检验方法如下： 基于统计的方法 基于距离的方法 基于密度的方法 基于聚类的方法 基于偏差的方法 基于深度的方法

t检验：按照t分布的实际误差分布范围来判别异常值，首先剔除一个可疑值，然后按t分布来检验剔除的值是否为异常值。

狄克逊检验法：假设一组数据有序x1

格拉布斯检验法：与狄克逊检验法思想一样，其检验公式为：

指数分布检验：

SPSS和R语言中通过绘制箱图可以找到异常值，分布在箱边框外部;

2、什么是聚类分析聚类算法有哪几种请选择一种详细描述其计算原理和步骤。 聚类分析(cluster analysis)是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。聚类分析也叫分类分析(classification analysis)或数值分类

(numerical taxonomy)。聚类与分类的不同在于，聚类所要求划分的类是未知的。

聚类分析计算方法主要有：层次的方法(hierarchical method)、划分方法(partitioning method)、基于密度的方法(density-based method)、基于网格的方法(grid-based method)、基于模型的方法(model-based method)等。其中，前两种算法是利用统计学定义的距离进行度量。 常见的聚类方法有：K-pototypes算法，K-Means算法，CLARANS算法(划分方法)，BIRCH算法(层次方法)，CURE算法(层次方法)，DBSCAN算法(基于密度的方法)，CLIQUE算法(综合了基于密度和基于网格的算法);

k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心;而对于所剩下其它对象，则根据它们与这些聚类中心的相似度(距离)，分别将它们分配给与其最相似的(聚类中心所代表的)聚类;然后再计算每个所获新聚类的聚类中心(该聚类中所有对象的均值);不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 其流程如下：

(1)从 n个数据对象任意选择 k 个对象作为初始聚类中心;

(2)根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离;并根据最小距离重新对相应对象进行划分;

(3)重新计算每个(有变化)聚类的均值(中心对象);

(4)循环(2)、(3)直到每个聚类不再发生变化为止(标准测量函数收敛)。 优点：本算法确定的K 个划分到达平方误差最小。当聚类是密集的，且类与类之间区别明显时，效果较好。对于处理大数据集，这个算法是相对可伸缩和高效的，计算的复杂度为 O(NKt)，其中N是数据对象的数目，K是聚类中心，t是迭代的次数。

缺点：1. K 是事先给定的，但非常难以选定;2. 初始聚类中心的选择对聚类结果有较大的影响。 3.数据标准化技术

是将数据按比例缩放，使之落入一个小的特定区间。去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。常用的方法有：

(1)总和标准化。分别求出各要素所对应的数据的总和，以各要素的数据除以该要素的数据的总和，即

4.缺失值处理方法

1) 直接丢弃含缺失数据的记录

如：个案剔除法，这种方法却有很大的局限性。它是以减少样本量来换取信息的完备，会造成资源的大量浪费，丢弃了大量隐藏在这些对象中的信息。当缺失数据所占比例较大，特别是当缺数据非随机分布时，这种方法可能导致数据发生偏离，从而得出错误的结论。 2)补缺

A. 用平均值来代替所有缺失数据：均值替换法，均值替换法也是一种简便、快速的缺失数据处理方法。使用均值替换法插补缺失数据，对该变量的均值估计不会产生影响。但这种方法是建立在完全随机缺失(MCAR)的假设之上的，而且会造成变量的方差和标准差变小。

B. K -最近距离邻居法：先根据欧式距离或相关分析来确定距离具有缺失数据样本最近的K个样本，将这K个值加权平均来估计该样本的缺失数据。 C.用预测模型来预测每一个缺失数据：该方法最大限度地利用已知的相关数据，是比较流行的缺失数据处理技术。如：回归替换法，该方法也有诸多弊端，第一，容易忽视随机误差，低估标准差和其他未知性质的测量值，而且这一问题会随着缺失信息的增多而变得更加严重。第二，研究者必须假设存在缺失值所在的变量与其他变量存在线性关系，很多时候这种关系是不存在的。

数据分析可以用于哪些方面

数据分析可以用于互联网，电商，金融等行业。

1、数据分析对互联网的作用

随着移动互联网技术的发展,利用手机终端接收新闻、听音乐、看电视是众多消费者的第一选择.营销者想要在激烈的市场竞争中占据一席之地,就需要对海量用户数据进行挖掘分析,发现用户的个性喜好,从而对用户的消费行为进行准确把握.该文在对用户海量上网数据进行分析的基础上发现用户的上网行为,并将其与业务支撑系统数据进行结合分析,展现了用户动态与静态数据的互补性,为市场营销人员寻找目标客户打下了良好的基础,提升了营销准确率。

2、数据分析对电商的作用

就电子商务行业来说，数据分析职位在企业内部是非常重要，营销管理、客户管理等环节都需要应用到数据分析的结果，利用数据分来来发现企业内部的不足，营销手段的不足、客户体验的不足等等，利用数据挖掘来了解客户的内在需求。比如客户喜欢那种类型的商品，就智能推荐给他。

3、数据分析对金融的作用。

数据技术对金融行业的影响巨大，金融业对信息系统的实际应用前景还是非常大的，金融业对信息系统的实用性要求很高，且积累了大量的客户交易数据。目前金融业主要信息需求是客户行为分析、防堵诈骗、金融分析等。

4、数据分析对其他行业的作用

数据分析可以进行人流、车流量等统计，使旅游行业得企业公司可以更好地了解用户的的想法和需求;数据分析可以帮助电信行业进行增值业务推荐和新套餐科学定价分析;数据分析可以帮助房地产行业做出投资决策建议等等。

数据分析师要考哪些证

数据分析师要考的证有CPDA数据分析师证书，其中数据分析师有3个等级：级别Level I(业务分析师)、Level II(建模分析师)和Level II(大数据分析师)、Level III(数据科学家)。考取证书后，对自己的职场选择会有很大的帮助，很多企业明确标注数据分析持证人优先。

数据分析师在面试时，面试官主要考察哪些方面?

1、基础工具(工具是求职的门槛，如果你是求职数据运营，excel+SQL就能搞定大部分工作，当然还要学习python和其他工具。工具这里我的建议是不要想着一步登天，先从excel和SQL这2个基础工具学起，再去学python，而且要注意不同行业对工具的要求是不用的，可以查看目标岗位JD要求)

2、业务能力(主要看你做过什么行业，你对业务有哪些见解，对细节的把控如何)

3、分析思维(遇见问题时，你分析的角度和判断是什么?框架够不够清晰)

4、解决问题能力(分析的结果，能不能为业务或运营提供合理建议)