数据清洗试题及答案

数据清洗试题及答案

一、单项选择题（共30题，每题1分）（注下列各题均有A、B、C、D四个选项，其中只有一项最符合题目要求）

1.数据清洗的核心目标是（）A.提升数据存储效率B.确保数据质量符合业务需求C.加速数据处理速度D.优化数据可视化效果

2.以下哪项不属于数据质量的基本维度（）A.完整性B.一致性C.安全性D.准确性

3.在数据预处理阶段，发现某列数据存在大量空值（缺失值），最直接的处理方法是（）A.直接删除该列B.用该列的均值填充空值C.用前后相邻数据填充空值D.保留空值，不做处理

4.当数据中出现“100000”和“10万”两种表示方式时，主要属于（）问题A.数据缺失B.数据重复C.数据格式不一致第1页共14页D.数据异常

5.以下哪种方法不适用于处理数值型数据的异常值（）A.箱线图法B.Z-score法C.标准差法D.字符串匹配法

6.数据清洗流程的第一步通常是（）A.选择清洗工具B.识别数据质量问题C.制定清洗规则D.验证清洗结果

7.在Pandas库中，用于删除重复行的函数是（）A.drop_duplicatesB.remove_duplicatesC.delete_duplicatesD.duplicate_drop

8.某电商平台订单数据中，“用户ID”出现重复记录，最可能的原因是（）A.数据采集错误B.数据格式错误C.数据缺失D.数据异常

9.对于时间格式不一致的数据（如“2025/12/01”和“01-12-2025”），应优先采用（）方法处理A.统一格式转换第2页共14页B.删除该列C.用默认值填充D.按业务逻辑判断

10.以下哪项属于数据清洗中的“数据标准化”操作（）A.将“男/女”转换为“1/0”B.修正错别字“北京”为“北市”C.删除重复的“用户ID”D.用“未知”填充空值

11.在数据清洗中，“数据一致性”指的是（）A.数据格式统一B.数据在不同表/字段间逻辑一致C.数据无空值D.数据无异常值

12.当数据量较大且缺失比例较低时，处理缺失值的最佳方法是（）A.删除记录B.用固定值填充（如0）C.用分组统计量填充D.插值法填充

13.SQL中用于删除重复记录的关键字组合是（）A.DELETE FROM...WHERE EXISTSB.DELETE FROM...GROUP BYC.DELETE FROM...DISTINCTD.DELETE FROM...UNIQUE

14.以下哪种数据问题可能导致模型训练时出现“类别不平衡”（）A.缺失值第3页共14页B.重复值C.异常值D.数据格式错误

15.数据清洗中的“数据脱敏”主要用于保护（）A.数据完整性B.个人隐私数据C.数据一致性D.数据准确性

16.在处理文本型数据时，“去重空格”属于（）操作A.格式标准化B.异常值处理C.缺失值填充D.重复值删除

17.某列数据中出现“12345678901”（11位）和“123456789”（9位），这属于（）问题A.数据类型错误B.数据格式不一致C.数据缺失D.数据异常

18.以下哪种工具不常用于数据清洗（）A.ExcelB.TableauC.PandasD.SQL

19.数据清洗中，“异常值”的定义通常基于（）第4页共14页A.业务规则和统计方法B.数据存储容量C.数据可视化效果D.数据录入速度

20.当数据中存在“N/A”“--”“未知”等不同形式的缺失标记时，应进行（）A.统一缺失标记B.删除包含缺失值的记录C.填充缺失值D.验证缺失原因

21.在数据清洗流程中，“验证清洗结果”的目的是（）A.确保清洗后的模型效果B.检查是否存在遗漏的质量问题C.加速后续数据处理D.优化数据存储结构

22.以下哪项属于“数据冗余”问题（）A.重复的用户ID记录B.格式错误的日期数据C.缺失的用户联系方式D.数值型数据的异常大值

23.对于分类变量，处理缺失值时，最合理的方法是（）A.用众数填充B.用均值填充C.删除记录D.用固定值填充第5页共14页

24.SQL中用于更新数据格式的关键字是（）A.UPDATEB.ALTERC.MODIFYD.CONVERT

25.数据清洗中的“数据转换”不包括（）A.数据类型转换（如字符串转数值）B.单位统一（如“元”转“万元”）C.重复记录删除D.日期格式统一

26.当数据量较小（样本量100）时，处理异常值的最佳策略是（）A.直接删除异常值B.用均值填充异常值C.结合业务逻辑判断异常值是否合理D.用中位数填充异常值

27.以下哪项不属于数据清洗的“数据质量评估指标”（）A.缺失率B.异常值比例C.数据量大小D.重复率

28.在数据清洗中，“数据标准化”与“数据归一化”的主要区别是（）A.标准化适用于分类数据，归一化适用于数值数据B.标准化消除量纲影响，归一化将数据缩放到[0,1]区间C.标准化仅用于数值型，归一化仅用于文本型第6页共14页D.两者无区别，可互换使用

29.某电商数据中，“用户年龄”列出现“-5”“200”等不合理值，这属于（）问题A.数据缺失B.数据格式错误C.数据异常D.数据重复

30.以下哪项是数据清洗的关键原则（）A.优先删除数据，减少处理复杂度B.所有缺失值必须填充，不能保留C.结合业务场景选择合适的清洗方法D.清洗过程中无需记录操作日志

二、多项选择题（共20题，每题2分）（注下列各题均有A、B、C、D四个选项，其中至少有两项符合题目要求，多选、少选、错选均不得分）

1.数据质量问题主要包括（）A.数据缺失B.数据重复C.数据异常D.数据不一致

2.数据清洗的基本流程通常包括（）A.识别数据质量问题B.分析问题产生原因C.选择清洗方法并实施D.验证清洗结果第7页共14页

3.处理缺失值的常用方法有（）A.删除法（删除记录或列）B.填充法（均值、中位数、众数填充）C.插值法（线性插值、多项式插值）D.模型预测填充（如用回归模型预测）

4.以下属于数据异常值检测方法的有（）A.箱线图法（四分位距法）B.Z-score法C.标准差法D.卡方检验

5.数据清洗工具中，适用于Python环境的有（）A.PandasB.NumPyC.SQLD.Spark

6.数据格式不一致的表现形式包括（）A.日期格式（如“YYYY/MM/DD”与“MM-DD-YYYY”）B.数值单位（如“元”与“万元”）C.文本大小写（如“北京”与“bei jing”）D.数据类型（如“123”（字符串）与123（数值））

7.重复值处理的注意事项包括（）A.区分“完全重复”与“部分重复”B.保留重复记录时需结合业务逻辑（如订单重复可能是系统bug）C.直接删除所有重复记录是最安全的方法D.重复值可能导致统计结果偏差第8页共14页

8.数据标准化的目的是（）A.消除量纲影响B.使不同指标具有可比性C.加速模型训练收敛D.减少数据存储占用

9.以下属于数据清洗中“数据脱敏”应用场景的有（）A.保护用户手机号（如显示“138****5678”）B.隐藏身份证号部分信息C.统一数据格式为“YYYY-MM-DD”D.替换敏感词“暴力”为“敏感内容”

10.异常值处理的方法包括（）A.修正异常值（如将“200”修正为合理年龄“20”）B.保留异常值并在模型中特殊处理C.用均值填充异常值D.删除异常值（适用于异常比例低且对结果影响大的情况）

11.数据一致性问题可能出现在（）A.同一数据在不同表中的值不一致B.分类变量的类别名称不统一（如“男”与“男性”）C.数值型数据的单位不统一（如“kg”与“g”）D.重复记录中的不同字段值冲突

12.数据清洗中“验证”的具体操作包括（）A.检查缺失值是否已处理B.验证异常值是否被正确识别C.统计清洗后的数据格式是否统一D.用简单模型测试清洗后的数据效果第9页共14页

13.以下工具中，适用于非编程环境的数据清洗工具是（）A.Excel（数据透视表、删除重复值功能）B.Power BIC.TableauD.浏览器插件（如数据清洗小工具）

14.处理文本型数据时，常见的清洗操作有（）A.去除多余空格B.修正错别字C.统一文本大小写D.提取关键词

15.数据清洗中“数据类型错误”的例子包括（）A.日期列存储为字符串类型B.数值列存储为文本类型（如“123”带引号）C.分类列中混入数值（如“男”“女”与“1”“0”存在）D.重复的列名

16.数据清洗的原则包括（）A.最小信息损失B.业务逻辑优先C.可复现性D.完全自动化（无需人工干预）

17.SQL中用于数据清洗的常用操作有（）A.DELETE（删除重复记录）B.UPDATE（修正数据格式）C.ALTER（修改数据类型）D.JOIN（合并数据并去重）第10页共14页

18.缺失值产生的原因可能有（）A.采集设备故障B.用户未填写C.数据传输过程中丢失D.业务规则限制（如“无”字段不记录）

19.数据清洗中，“去重”的方法包括（）A.基于完全相同记录的去重B.基于关键字段（如ID）的去重C.基于相似记录的模糊去重D.用VLOOKUP函数查找重复值

20.以下关于数据清洗的说法正确的有（）A.数据清洗是数据预处理的核心环节B.数据清洗需结合业务场景灵活调整方法C.清洗后的“干净数据”一定能直接用于建模D.数据清洗的质量直接影响后续分析和模型效果

三、判断题（共20题，每题1分）（注正确的打“√”，错误的打“×”）

1.数据清洗的主要目的是让数据“看起来更美观”（）

2.缺失值的比例越高，删除法的效果越好（）

3.异常值一定是错误数据，必须全部处理（）

4.Excel的“删除重复值”功能可基于单个或多个关键字段去重（）

5.数据标准化和归一化都是为了消除量纲影响（）

6.SQL的GROUP BY子句可用于检测重复记录（）

7.文本型数据中“去重空格”属于数据格式标准化操作（）第11页共14页

8.数据清洗中的“数据脱敏”是为了提高数据安全性（）

9.分类变量的缺失值只能用众数填充（）

10.处理异常值时，删除法适用于异常值比例极低（1%）的情况（）

11.数据一致性问题可能导致“数据孤岛”现象（）

12.Pandas的drop_duplicates函数默认保留第一条重复记录（）

13.数据清洗流程中，“验证结果”是可选步骤（）

14.数值型数据的异常值检测只能用箱线图法（）

15.数据量越大，重复值对结果的影响通常越小（）

16.Tableau可用于数据清洗中的可视化异常值识别（）

17.日期格式转换时，“YYYY/MM/DD”和“YYYY-MM-DD”属于数据格式不一致问题（）

18.数据清洗中，“去重”的本质是减少数据冗余（）

19.数据缺失值的处理方法选择仅需考虑数据量大小（）

20.数据清洗后，数据质量一定能达到“完美无缺”（）

四、简答题（共2题，每题5分）

1.简述数据清洗的基本流程

2.在实际项目中，当遇到大量缺失值（缺失率30%）且数据量较大时，应优先采用哪种数据清洗策略？请说明理由参考答案

一、单项选择题1-5:B CA C C6-10:B A AAA11-15:B AA CB第12页共14页16-20:A BB AA21-25:B AA CC26-30:CCB CC

二、多项选择题1:ABCD2:ABCD3:ABCD4:ABC5:AB6:ABCD7:ABD8:ABC9:AB10:ABD11:ABCD12:ABCD13:AB14:ABCD15:ABC16:ABC17:ABC18:ABC19:ABC20:ABD

三、判断题1:×2:×3:×4:√5:√6:×7:√8:√9:×10:√11:√12:√13:×14:×15:×16:√17:√18:√19:×20:×

四、简答题

1.数据清洗基本流程

①识别数据质量问题通过数据探查（如描述性统计、可视化）发现缺失值、异常值、重复值、格式错误等问题；

②分析问题原因结合业务背景判断问题产生的合理原因（如缺失值可能是用户未填写或系统故障）；

③选择清洗方法根据问题类型和业务需求选择处理策略（如缺失值用填充/删除，异常值用修正/删除）；

④实施清洗操作使用工具（如Pandas、SQL）执行具体清洗步骤；

⑤验证清洗结果通过统计检查、模型测试等验证清洗后的数据是否满足业务需求，是否存在遗漏问题

2.优先策略基于业务逻辑的分组填充法第13页共14页理由数据量较大时删除法可能导致样本量不足，影响分析/建模效果；直接用全局统计量（如均值）填充可能引入偏差基于业务逻辑分组（如按用户类型、地区等分组）后填充，可保留数据结构和业务关联性，减少信息损失，且适用于缺失率较高的场景，是平衡准确性和实用性的最优选择（注简答题答案均控制在150字以内，符合实用性和简洁性要求）第14页共14页。