
嗨喽,各位同学又到了公布CDA数据分析师认证考试LEVEL I的模拟试题时间了,今天给大家带来的是模拟试题(二)中的101-105题。(材料题)
不过,在出题前,要公布上一期91-95题的答案,大家一起来看!
96、A,B,C
97、B,C,D
98、A,D
99、B,C,D
100、A,B
你答对了吗?
现有订单表orders,包含字段:订单号order_id varchar(10),产品编号p_id varchar(10),产品类型type varchar(20),金额amount decimal(10,2)。
101.以下表名orders和字段名amount的使用,正确的是
A.orders.amount
B.orders_amount
C.orders$amount
D.orders[amount]
102.与表达式"产品类型 NOT IN (‘a’,’b’)"功能相同的表达式是
A.产品类型=’a’ AND 产品类型=’b’
B.产品类型!=’a’ OR 产品类型=’b’
C.产品类型=’a’ OR 产品类型!=’b’
D.产品类型!=’a’ AND 产品类型!=’b’
student表中有4个字段:StudentID(学生编号),Class(班级),CourseID(课程编号),Score(分数)
103.student 表中记录了同学每一次考试的成绩。那么以下哪组 sql 代码取数的结果中,StudentID字段取值不会出现重复
A.select StudentID,max(score) from student group by StudentID;
B.select distinct StudentID,Score from student;
C.select StudentID from student;
D.select StudentID from student where studentID is not null;
104.以下关于DISTINCT的⽤法,不正确的是
A.SELECT DISTINCT StudentID FROM student;
B.SELECT DISTINCT StudentID,Class FROM student;
C.SELECT StudentID,DISTINCT Class FROM student;
D.SELECT COUNT(DISTINCT StudentID) FROM student;
数据库中有两张表,users表中有三个字段(user_id,user_name,create_at),orders表中有三个字段(order_id,user_id,amount)
105.查询users表中存在而orders表中不存在的user_id
A.select users.user_id from users left join orders on users.user_id=orders.user_id;
B.select users.user_id from users right join orders on users.user_id=orders.user_id;
C.select users.user_id from users left join orders on users.user_id=orders.user_id where orders.user_id is null;
D.select users.user_id from users right join orders on users.user_id=orders.user_id where users.user_id is null;
认真答题哦,我们将在下一期公布正确答案,敬请期待。
Level Ⅰ:1200 RMB
Level Ⅱ:1700 RMB
Level Ⅲ:2000 RMB
Level Ⅰ:随报随考。
Level Ⅱ:随报随考。
Level Ⅲ:一年四届(3、6、9、12月的最后一个周六),每届考前一个月截止该届报名。
Level Ⅰ+Ⅱ:中国内地30+省市,70+城市,250+考场。考生可选择就近考场预约考试。
Level Ⅲ:中国内地30所城市,北京/上海/天津/重庆/成都/深圳/广州/济南/南京/杭州/苏州/福州/太原/武汉/长沙/西安/贵阳/郑州/南宁/昆明/乌鲁木齐/沈阳/哈尔滨/合肥/石家庄/呼和浩特/南昌/长春/大连/兰州。
点击CDA题库链接,获取免费版CDA题库入口,祝考试顺利,快速拿证!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29