十二月 21, 2025
20 分钟阅读

初级数据分析师面试题：SQL、Excel 与 BI

interview
career-advice
job-search
entry-level
初级数据分析师面试题：SQL、Excel 与 BI
Milad Bonakdar

Milad Bonakdar

作者

练习初级数据分析师面试题，覆盖 SQL、Excel、仪表板、统计、KPI，以及如何清晰说明数据洞察。

初级数据分析师面试题：应该准备什么

初级数据分析师面试通常会考察你是否能清理杂乱数据、编写基础 SQL、用 Excel 汇总数据、搭建清晰的仪表板，并且不过度复杂地说明业务影响。提前准备简短例子，说明你如何发现问题、检查数据、选择合适指标并解释结果。

本指南聚焦入门级分析岗位最可能遇到的实用问题：Excel 查找函数和数据透视表、SQL 筛选与 JOIN、Tableau 或 Power BI 仪表板、基础统计、KPI，以及与利益相关者沟通。你可以把每个答案作为框架，再补充一个真实项目、课程或实习例子。

如何使用本指南

面试前选定一个数据项目，并把回答和这个项目联系起来。面试官不仅想听你是否知道某个函数或查询，还想知道你什么时候会使用它、如何检查输出，以及如何向非技术团队解释洞察。

Excel 基础 (5 个问题)

1. 对于数据分析来说，最重要的 Excel 函数有哪些？

答案： 每个数据分析师都应该掌握的基本 Excel 函数：

  • VLOOKUP/XLOOKUP： 在表格中查找值
  • IF/IFS： 条件逻辑
  • SUMIF/SUMIFS： 条件求和
  • COUNTIF/COUNTIFS： 条件计数
  • 数据透视表： 汇总和分析数据
  • INDEX/MATCH： 比 VLOOKUP 更灵活
  • TEXT 函数： LEFT、RIGHT、MID、CONCATENATE
  • DATE 函数： TODAY、DATEDIF、EOMONTH
# VLOOKUP 示例
=VLOOKUP(A2, Products!A:C, 3, FALSE)

# SUMIFS 示例 (对 region="East" 且 product="Widget" 的销售额求和)
=SUMIFS(Sales!C:C, Sales!A:A, "East", Sales!B:B, "Widget")

# INDEX/MATCH 示例 (比 VLOOKUP 更灵活)
=INDEX(Prices!C:C, MATCH(A2, Prices!A:A, 0))

# 使用 IF 的条件格式
=IF(B2>1000, "High", IF(B2>500, "Medium", "Low"))

稀有度： 非常常见 难度： 简单

2. 解释 VLOOKUP 和 INDEX/MATCH 之间的区别。

答案：

  • VLOOKUP：
    • 语法更简单
    • 只能向右查找
    • 灵活性较低
    • 对于大型数据集速度较慢
  • INDEX/MATCH：
    • 语法更复杂
    • 可以向左或向右查找
    • 灵活性更高
    • 性能更快
    • 可以返回整个行/列
# VLOOKUP - 在 A 列中查找值，从 C 列返回
=VLOOKUP(A2, A:C, 3, FALSE)

# INDEX/MATCH - 等效但更灵活
=INDEX(C:C, MATCH(A2, A:A, 0))

# INDEX/MATCH 优势：可以向左查找
=INDEX(A:A, MATCH(C2, C:C, 0))  # VLOOKUP 无法做到这一点

稀有度： 非常常见 难度： 简单

3. 如何创建和使用数据透视表？

答案： 数据透视表可以快速汇总大型数据集。

  • 步骤：
    1. 选择数据范围
    2. 插入 → 数据透视表
    3. 将字段拖动到行、列、值
    4. 应用筛选器和格式
  • 用例： 按地区汇总销售额、分析趋势、创建报告
# 数据透视表结构：
行：产品类别
列：季度
值：销售额总和
筛选器：地区

# 数据透视表中的计算字段
利润率 = (收入 - 成本) / 收入

# 分组日期
右键单击日期 → 分组 → 选择月/季度/年

稀有度： 非常常见 难度： 简单

4. 什么是条件格式，你会在什么情况下使用它？

答案： 条件格式根据单元格值应用可视化格式。

  • 用例：
    • 突出显示最高/最低值
    • 显示数据条或颜色刻度
    • 识别重复项
    • 标记异常值
    • 创建热图
# 突出显示大于 1000 的单元格
选择范围 → 条件格式 → 突出显示单元格规则 → 大于

# 颜色刻度（渐变）
选择范围 → 条件格式 → 颜色刻度

# 数据条
选择范围 → 条件格式 → 数据条

# 自定义公式
=AND($B2>1000, $C2="Active")

稀有度： 常见 难度： 简单

5. 如何在 Excel 中删除重复项和处理缺失数据？

答案： 数据清理对于准确的分析至关重要。

# 删除重复项
数据选项卡 → 删除重复项 → 选择列

# 使用条件格式查找重复项
选择范围 → 条件格式 → 突出显示单元格规则 → 重复值

# 处理缺失数据
# 选项 1：筛选和删除
筛选列 → 取消选中（空白）→ 删除可见行

# 选项 2：用平均值填充
=IF(ISBLANK(A2), AVERAGE(A:A), A2)

# 选项 3：向下填充
选择范围 → Ctrl+D (Windows) 或 Cmd+D (Mac)

# 查找并替换空白
Ctrl+H → 查找内容：（留空）→ 替换为：0 或 N/A

稀有度： 非常常见 难度： 简单

SQL 基础 (5 个问题)

6. 编写一个 SQL 查询来选择表中的所有列。

答案： 基本的 SELECT 语句从表中检索数据。

-- 选择所有列
SELECT * FROM employees;

-- 选择特定列
SELECT first_name, last_name, salary
FROM employees;

-- 使用别名选择
SELECT 
    first_name AS "First Name",
    last_name AS "Last Name",
    salary AS "Annual Salary"
FROM employees;

-- 选择不同的值
SELECT DISTINCT department
FROM employees;

-- 限制结果
SELECT * FROM employees
LIMIT 10;

稀有度： 非常常见 难度： 简单

7. 如何使用 WHERE 子句过滤数据？

答案： WHERE 子句根据条件过滤行。

-- 简单条件
SELECT * FROM employees
WHERE salary > 50000;

-- 带有 AND 的多个条件
SELECT * FROM employees
WHERE department = 'Sales' AND salary > 60000;

-- 带有 OR 的多个条件
SELECT * FROM employees
WHERE department = 'Sales' OR department = 'Marketing';

-- IN 运算符
SELECT * FROM employees
WHERE department IN ('Sales', 'Marketing', 'IT');

-- BETWEEN 运算符
SELECT * FROM employees
WHERE salary BETWEEN 50000 AND 80000;

-- LIKE 运算符（模式匹配）
SELECT * FROM employees
WHERE first_name LIKE 'J%';  -- 以 J 开头

-- IS NULL
SELECT * FROM employees
WHERE manager_id IS NULL;

-- NOT 运算符
SELECT * FROM employees
WHERE department NOT IN ('HR', 'Finance');

稀有度： 非常常见 难度： 简单

8. 解释 JOIN 操作及其类型。

答案： JOIN 将来自多个表的数据组合在一起。

  • INNER JOIN： 返回两个表中匹配的行
  • LEFT JOIN： 返回左表中的所有行，以及右表中匹配的行
  • RIGHT JOIN： 返回右表中的所有行，以及左表中匹配的行
  • FULL OUTER JOIN： 返回两个表中的所有行
-- INNER JOIN
SELECT e.first_name, e.last_name, d.department_name
FROM employees e
INNER JOIN departments d ON e.department_id = d.department_id;

-- LEFT JOIN（所有员工，即使没有部门）
SELECT e.first_name, e.last_name, d.department_name
FROM employees e
LEFT JOIN departments d ON e.department_id = d.department_id;

-- 多个 join
SELECT 
    e.first_name,
    d.department_name,
    l.city
FROM employees e
INNER JOIN departments d ON e.department_id = d.department_id
INNER JOIN locations l ON d.location_id = l.location_id;

-- 自连接（员工及其经理）
SELECT 
    e.first_name AS employee,
    m.first_name AS manager
FROM employees e
LEFT JOIN employees m ON e.manager_id = m.employee_id;

稀有度： 非常常见 难度： 中等

9. 如何使用 GROUP BY 和聚合函数？

答案： GROUP BY 将行分组，聚合函数汇总数据。

-- 按部门计算员工人数
SELECT department, COUNT(*) AS employee_count
FROM employees
GROUP BY department;

-- 按部门计算平均工资
SELECT 
    department,
    AVG(salary) AS avg_salary,
    MIN(salary) AS min_salary,
    MAX(salary) AS max_salary
FROM employees
GROUP BY department;

-- HAVING 子句（过滤组）
SELECT department, AVG(salary) AS avg_salary
FROM employees
GROUP BY department
HAVING AVG(salary) > 60000;

-- 多个分组列
SELECT 
    department,
    job_title,
    COUNT(*) AS count,
    AVG(salary) AS avg_salary
FROM employees
GROUP BY department, job_title
ORDER BY department, avg_salary DESC;

-- 常见的聚合函数
-- COUNT, SUM, AVG, MIN, MAX, COUNT(DISTINCT)

稀有度： 非常常见 难度： 中等

10. WHERE 和 HAVING 之间有什么区别？

答案：

  • WHERE： 在分组之前过滤行
  • HAVING： 在分组之后过滤组
  • WHERE： 不能使用聚合函数
  • HAVING： 可以使用聚合函数
-- WHERE - 在分组之前过滤
SELECT department, AVG(salary) AS avg_salary
FROM employees
WHERE salary > 40000  -- 过滤单个行
GROUP BY department;

-- HAVING - 在分组之后过滤
SELECT department, AVG(salary) AS avg_salary
FROM employees
GROUP BY department
HAVING AVG(salary) > 60000;  -- 过滤组

-- 两者一起使用
SELECT department, AVG(salary) AS avg_salary
FROM employees
WHERE hire_date > '2020-01-01'  -- 首先过滤行
GROUP BY department
HAVING COUNT(*) > 5;  -- 然后过滤组

-- 这将是错误的：
-- SELECT department FROM employees
-- WHERE COUNT(*) > 5;  -- 错误：不能在 WHERE 中使用聚合函数

稀有度： 非常常见 难度： 简单

数据可视化 (4 个问题)

11. 有效数据可视化的关键原则是什么？

答案： 好的可视化可以清晰地传达见解。

  • 原则：
    • 选择正确的图表类型（条形图用于比较，折线图用于趋势，饼图用于整体的各个部分）
    • 保持简单（避免杂乱）
    • 使用适当的颜色（一致、易于访问）
    • 清晰地标记（标题、轴、图例）
    • 讲述一个故事（突出显示关键见解）
    • 考虑受众（技术人员与非技术人员）
Loading diagram...

稀有度： 常见 难度： 简单

12. 你什么时候使用条形图，什么时候使用折线图？

答案： 不同的图表类型服务于不同的目的：

  • 条形图：
    • 比较类别
    • 离散数据
    • 示例：按地区销售额、产品比较
  • 折线图：
    • 显示随时间变化的趋势
    • 连续数据
    • 示例：月度收入、股票价格
  • 其他图表：
    • 饼图： 整体的各个部分（谨慎使用）
    • 散点图： 两个变量之间的关系
    • 直方图： 连续数据的分布

稀有度： 常见 难度： 简单

13. 什么是 Tableau，它的主要功能是什么？

答案： Tableau 是一种领先的数据可视化和商业智能工具。

  • 主要功能：
    • 拖放界面（无需编码）
    • 连接到多个数据源（数据库、Excel、云）
    • 交互式仪表板
    • 实时数据更新
    • 计算字段和参数
    • 共享和协作
  • 常见任务：
    • 创建工作表（单个可视化）
    • 构建仪表板（多个可视化）
    • 应用筛选器和参数
    • 创建计算字段
    • 发布到 Tableau Server/Online

稀有度： 非常常见 难度： 简单

14. Tableau 和 Power BI 之间有什么区别？

答案： 两者都可以用于制作报表和仪表板，但面试中更重要的是说明你会如何根据团队和数据环境选择工具。

  • Tableau： 适合灵活的可视化探索、仪表板、计算字段、参数和交互式视图。当主要需求是跨多种数据源做可视化分析时，Tableau 往往更合适。
  • Power BI： 适合 Microsoft 生态，尤其是已经使用 Excel、Fabric、Microsoft 365、Power Query、语义模型和 DAX 的团队。它常用于受治理的报表和周期性业务仪表板。
  • 回答方式： 不要说某个工具永远更好。可以比较受众、现有技术栈、数据模型复杂度、刷新需求、权限和维护责任。

一个好的初级回答是：“基础仪表板我可以用两种工具完成。如果公司主要使用 Microsoft 工作流，我会选 Power BI；如果团队需要更灵活的可视化探索，我会选 Tableau。无论使用哪种工具，我都会先确认业务问题、清理数据、定义指标，并在发布前验证总数。”

统计与分析 (4 个问题)

15. 你知道哪些集中趋势的度量？

答案： 集中趋势的度量描述数据集的中心：

  • 平均值： 平均数（总和/计数）
    • 对异常值敏感
    • 用于正态分布的数据
  • 中位数： 排序后的中间值
    • 对异常值具有鲁棒性
    • 用于偏斜数据
  • 众数： 最频繁的值
    • 用于分类数据
import numpy as np

data = [1, 2, 2, 3, 4, 5, 100]

mean = np.mean(data)  # 16.71 (受异常值 100 影响)
median = np.median(data)  # 3 (不受异常值影响)
# mode = 2 (最频繁)

print(f"Mean: {mean}")
print(f"Median: {median}")

稀有度： 非常常见 难度： 简单

16. 如何识别数据集中的异常值？

答案： 异常值是与其他观测值显着不同的数据点。

  • 方法：
    • 视觉： 箱线图、散点图
    • 统计：
      • IQR 方法（超出 Q1/Q3 1.5 × IQR）
      • Z-score (|z| > 3)
      • 标准差（超出 2-3 个标准差）
import numpy as np

data = np.array([10, 12, 13, 12, 11, 14, 13, 15, 100, 12])

# IQR 方法
Q1 = np.percentile(data, 25)
Q3 = np.percentile(data, 75)
IQR = Q3 - Q1

lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR

outliers = data[(data < lower_bound) | (data > upper_bound)]
print(f"Outliers: {outliers}")  # [100]

# Z-score 方法
mean = np.mean(data)
std = np.std(data)
z_scores = np.abs((data - mean) / std)
outliers_z = data[z_scores > 3]
print(f"Outliers (Z-score): {outliers_z}")

稀有度： 常见 难度： 中等

17. 相关性和因果关系之间有什么区别？

答案：

  • 相关性： 变量之间的统计关系
    • 用相关系数衡量（-1 到 1）
    • 并不意味着因果关系
  • 因果关系： 一个变量直接导致另一个变量的变化
    • 需要受控实验
    • 相关性是必要但不充分的条件

例子：

  • 冰淇淋销售额和溺水死亡人数相关（两者都在夏季增加）
  • 但冰淇淋不会导致溺水（混淆变量：温度）
-- 在 SQL 中计算相关性（简化）
SELECT 
    CORR(sales, temperature) AS correlation
FROM daily_data;

-- 正相关：两者一起增加
-- 负相关：一个增加，另一个减少
-- 零相关：没有关系

稀有度： 非常常见 难度： 简单

18. 如何计算百分比变化？

答案： 百分比变化衡量两个值之间的相对变化。

# 公式
百分比变化 = ((新值 - 旧值) / 旧值) × 100

# Excel 公式
=(B2-A2)/A2*100

# 示例：
旧值：100
新值：120
变化：(120-100)/100 = 0.20 = 20% 增加

# 同比增长
=(Sales_2023 - Sales_2022) / Sales_2022 * 100
-- SQL 百分比变化
SELECT 
    year,
    revenue,
    LAG(revenue) OVER (ORDER BY year) AS prev_year_revenue,
    ((revenue - LAG(revenue) OVER (ORDER BY year)) / 
     LAG(revenue) OVER (ORDER BY year) * 100) AS pct_change
FROM annual_sales;

稀有度： 非常常见 难度： 简单

商业智能与报告 (2 个问题)

19. 什么是 KPI，你如何选择正确的 KPI？

答案： KPI（关键绩效指标）是一个可衡量的指标，显示目标实现的有效程度。

  • 良好 KPI 的特征：
    • 具体： 清晰且定义明确
    • 可衡量： 可量化
    • 可实现： 现实
    • 相关： 与业务目标一致
    • 有时限： 有时间范围
  • 示例：
    • 销售： 月度收入、转化率
    • 营销： 客户获取成本、投资回报率
    • 运营： 订单履行时间、错误率
    • 客户： 满意度评分、保留率

稀有度： 常见 难度： 简单

20. 如何向非技术利益相关者展示数据见解？

答案： 有效的沟通对于数据分析师至关重要。

  • 最佳实践：
    • 从结论开始（他们需要知道什么）
    • 使用简单的可视化（避免复杂的图表）
    • 讲述一个故事（背景、见解、建议）
    • 避免行话（解释技术术语）
    • 关注业务影响（收入、成本、效率）
    • 提供可操作的建议
    • 准备好回答问题
  • 结构：
    1. 执行摘要
    2. 主要发现
    3. 支持数据/可视化
    4. 建议
    5. 后续步骤

稀有度： 常见 难度： 中等

Newsletter subscription

真正有效的每周职业建议

将最新见解直接发送到您的收件箱

相关文章

初级前端开发面试题：HTML、CSS 和 JavaScript
12月 21, 2025
36 分钟阅读

初级前端开发面试题：HTML、CSS 和 JavaScript

用32个问题复习语义化HTML、响应式CSS、JavaScript作用域、异步代码、DOM事件和数组方法等前端基础。

Milad BonakdarMilad Bonakdar
初级前端面试题：React 和工具
12月 21, 2025
31 分钟阅读

初级前端面试题：React 和工具

通过 21 个问题准备初级前端面试，覆盖 React、Git、构建工具、Web 性能、调试、可访问性和测试基础。

Milad BonakdarMilad Bonakdar
初级 Node.js 后端开发面试题
12月 21, 2025
41 分钟阅读

初级 Node.js 后端开发面试题

用 35 个初级 Node.js 后端面试题练习 JavaScript 基础、异步代码、事件循环、Express、REST API、数据库、安全、测试和调试。

Milad BonakdarMilad Bonakdar

停止申请，开始被录用

使用全球求职者信赖的AI驱动优化，将您的简历转变为面试磁铁。

免费开始

分享这篇文章

快50%获得工作

使用专业AI增强简历的求职者平均在5周内找到工作，而标准时间是10周。停止等待，开始面试。

加快求职速度