数据科学基础期末复习指南：考点骨架、计算与编程提分策略

数据科学基础这门课的期末卷，很多人第一次翻课件会有一种错觉——好像什么都讲过，又好像什么都没讲透。它横跨描述统计、概率、编程工具和机器学习入门，考试有个很典型的特征：不考你背定义，考你能不能在具体数据和具体场景里把概念用对。这份考试参考就是把我整理的一套复习思路摊开讲，包括考点骨架怎么搭、计算题怎么一步步算出结果、编程题写到什么程度算过关、以及考场上最容易丢分的地方。不管你是零基础刚接触这门课，还是写过一点 Python 但统计底子薄，下面这套东西都能直接拿去用。

需要先说明一点：不同学校、不同学期的卷子风格差异很大，我这份参考针对的是春季学期常见的题型结构——选择、填空、简答、计算、编程五类混排，计算题占比偏高。具体到你们手里的卷子，题型权重可能会有出入，但知识骨架和解题流程是通用的。文中涉及的具体参数、代码、计算过程，都是我按常见教学实践补充的，目的是让你看完能直接动手复现。

1. 先搞清楚命题范围：从课程骨架反推考点分布

复习最怕的就是从头到尾平均用力。数据科学基础这门课的内容看上去很散，其实内部有一条很清晰的主线：拿到一份数据，先看清它长什么样（描述统计），再判断它的规律是不是偶然（概率与推断），然后用工具把它整理干净（预处理与编程），最后建立模型并判断模型靠不靠谱（建模与评估）。这条线就是命题人出题的逻辑线，也是你复习的骨架。

1.1 四大板块的分值权重怎么估

按常见的课程安排，这门课的考试内容大致可以切成四块，每块的分值权重和出题难度并不一样。数据获取与预处理通常占 15% 到 25%，描述统计与概率占 25% 到 35%，编程工具与数据处理占 20% 到 30%，建模与模型评估占 25% 到 35%。这个比例不是拍脑袋来的，它和“能出成客观题的知识点有多少”直接相关：统计概念适合出选择、填空、简答，编程适合出读代码和补全代码，建模适合出计算大题。

理解了这一点，你的复习策略就该有取舍。统计部分的概念题是“高确定性得分区”，只要概念清晰，几乎不会失分；编程部分是“高确定性失分区”，因为很多人平时依赖 IDE 补全，考场上手写就卡壳；建模计算题是“分差拉开的区域”，会做的人能拿满，不会的人连第一步公式都写不出来。

1.2 从题型反推该复习到多深

同一个知识点，在不同题型下的要求深度差得很远。比如“方差”这个概念，选择题可能只考你样本方差分母是 n-1 还是 n；简答题会问你为什么用 n-1；计算题会让你手算一组数的方差；编程题会让你用 NumPy 一行写出来。如果你只按选择题的深度复习，后面三种题型全会崩。

所以复习每个知识点的时候，我习惯问自己三个问题：这个概念的定义我能一句话说清吗？这个公式我能不看书画出来吗？给我一组具体数字，我能算出结果吗？三个问题都能答“是”，这个点才算过关。只满足第一条的，通常只能拿客观题的分。

1.3 复习优先级排序：哪些必须拿满分

下面这张表是我按“出题频率 × 得分难度”整理出来的优先级，你可以直接对着排自己的复习顺序。

P0 的意思是“这些分丢了，后面补不回来”。我见过太多人是反着来的——花三天啃决策树公式推导，结果方差分母写错，一道 8 分的计算题直接归零。先把 P0 全部刷到闭眼能写，再往上加。

2. 统计与概率：概念题的重灾区，也是最容易拿分的部分

这一块的特点是“看起来简单，写起来处处是坑”。概念本身不难，难在命题人特别喜欢在细节上设陷阱：样本和总体的分母不一样、单尾和双尾的临界值不一样、独立和不独立的概率乘法不一样。这些坑我下面一个个拆。

2.1 描述统计的手算规范：分母到底除几

均值、中位数、众数这三个没什么好说的，真正容易错的是方差和标准差。总体方差除以 n，样本方差除以 n-1，这个规则人人都知道，但考试给一组数据让你算的时候，很多人下意识就除了 n。判断依据是题目措辞：出现“这组数据”“样本”“从……中抽取”这类表述，一律按样本处理，除 n-1；出现“总体”“全部”“整体分布”才除 n。

举个具体例子。数据是 4、6、8、10、12，均值是 8。离差平方分别是 16、4、0、4、16，总和 40。如果按总体算，方差是 40/5 = 8，标准差约 2.83；如果按样本算，方差是 40/4 = 10，标准差约 3.16。同一组数，两个答案差了不少，判卷的时候只认一个。

为什么样本要除 n-1？因为样本均值本身就是从这组数据里估出来的，它天然会让离差平方和偏小，除以 n-1 是一种无偏修正。简答题如果问到这个，你就答“用样本均值代替总体均值损失了一个自由度，分母减一是为了得到总体方差的无偏估计”。这句话足够拿分。

另外，四分位数和箱线图这几年出题也不少。记住 Q1、Q2、Q3 的分位规则要和课件一致，不同教材在“位置是整数还是小数”时处理方式不同，考试前对照一下课件里的例题。IQR = Q3 - Q1，超过 Q3 + 1.5×IQR 或低于 Q1 - 1.5×IQR 的点判为异常值，这个 1.5 倍是硬性数字，不能记成 2 倍或 3 倍。

2.2 概率分布与中心极限定理：搞懂“为什么重要”

二项分布、泊松分布、正态分布这三个是必考。二项分布记两个参数 n 和 p，期望 np，方差 np(1-p)；泊松分布记一个参数 λ，期望和方差都是 λ；正态分布记 μ 和 σ。选择题常考的是“什么场景用哪个”：固定次数独立重复试验用二项，单位时间或单位面积内稀有事件计数用泊松，连续测量值用正态。

中心极限定理是简答题的高频点。很多人的答案停留在“样本均值近似正态”，这只说了一半。完整的表述是：从任意分布的总体中独立抽取容量为 n 的样本，当 n 足够大时，样本均值的抽样分布近似服从均值为 μ、标准差为 σ/√n 的正态分布。两个关键点必须写出来——均值不变，标准差缩小为原来的 1/√n。这个 σ/√n 是后面置信区间和假设检验的根基，忘了它，后面整章都没法推。

这里我提醒一个特别容易混的地方：标准差和标准误不是一回事。标准差描述单个观测值的离散程度，标准误描述样本均值的离散程度，数值上是 σ/√n。简答题经常把这两个词混在一起问，答错方向就全错。

2.3 假设检验：四件套答对了基本不丢分

假设检验这块，考试基本围绕四个东西转：原假设与备择假设、显著性水平、p 值、两类错误。我把每个的“标准答法”写一下，你直接记。

原假设 H0 一般是“没有差异”“没有效果”“等于某个值”，备择假设 H1 是你想证明的那个。判断单尾双尾看措辞：出现“是否不同”“是否有差异”用双尾，出现“是否更高”“是否更低”“是否优于”用单尾。

p 值的解释是重灾区。正确说法是：在原假设成立的条件下，出现当前样本结果或更极端结果的概率。注意这句话里没有任何“原假设为真的概率”的意思，p 值不是 H0 正确的概率，也不是犯错的概率。我见过太多人写成“p 值表示原假设成立的概率是 0.03”，这种答案一分不给。

两类错误的记法：第一类错误是“原假设为真却拒绝了”，也叫“弃真”；第二类错误是“原假设为假却没拒绝”，也叫“取伪”。显著性水平 α 就是第一类错误的上限。这里有个反直觉的点：α 减小，第一类错误概率下降，但第二类错误概率会上升，两者此消彼长，想同时降低只能增大样本量。这个结论几乎每年都以简答或选择的形式出现。

置信区间的公式要能默写：均值 ± 临界值 × 标准误。大样本或总体方差已知用 z 临界值，小样本且总体方差未知用 t 临界值。95% 置信区间对应的 z 值约 1.96，这个数字必须条件反射。

2.4 贝叶斯公式：一道题吃透一章

贝叶斯公式看着吓人，其实结构很固定。典型题是医学检测：某种疾病在人群中的患病率是 1%，检测的灵敏度是 95%（患病者检出阳性），特异度是 90%（健康者检出阴性）。问一个人检测阳性，实际患病的概率是多少。

先理清楚四个数：P(病) = 0.01，P(阳性|病) = 0.95，P(阴性|健康) = 0.90，所以 P(阳性|健康) = 0.10。要求的是 P(病|阳性)。

分母是全概率：P(阳性) = 0.01×0.95 + 0.99×0.10 = 0.0095 + 0.099 = 0.1085。

分子是 P(病且阳性) = 0.0095。

结果 = 0.0095 / 0.1085 ≈ 0.0876，也就是约 8.76%。

这个结果很多人第一反应是不信：检测准确率 95%，怎么阳性了患病概率才 8.76%？原因在于基数太小，健康人基数大，10% 的假阳性在绝对数量上远超过真阳性。这类题的考点就在这——它考的不是公式，是你对“基础率”的理解。写答案的时候把分子分母都列出来，过程分基本不会丢。

3. 数据预处理与编程工具：动手分的主要来源

如果说统计部分是“想明白”，这部分就是“写出来”。考试形式通常是给一段代码问输出、给一个需求让你补全两三行、或者给一个场景问你该用哪种处理方式。难点不在语法，在你得知道每种处理背后的理由。

3.1 缺失值与异常值：先判断，再动手

缺失值处理有几种常见做法：直接删除、均值填充、中位数填充、众数填充、前向/后向填充、模型预测填充。考试不会让你随便选一个，而是给场景让你判断。判断的核心是看缺失比例和缺失机制。

缺失比例低于 5% 且样本量充足，直接删除行通常可接受；缺失比例在 5% 到 30% 之间，用填充；超过 30% 且这个特征很重要，考虑用模型预测或者单独标记。数值型特征遇到偏态分布用中位数填充更稳，因为均值会被极端值拉偏；类别型特征用众数。如果是时间序列，前向填充比均值填充合理得多，因为它保留了时间上的连续性。

异常值检测常用两种：3σ 法则和 IQR 法则。3σ 要求数据近似正态，超出 μ ± 3σ 的判为异常；IQR 不要求正态，鲁棒性更好，超过 Q3 + 1.5×IQR 或低于 Q1 - 1.5×IQR 的判为异常。计算示例：某组数据 Q1 = 25，Q3 = 45，IQR = 20，那么上界是 45 + 30 = 75，下界是 25 - 30 = -5。任何大于 75 或小于 -5 的值判为异常。

这里有个经验：异常值不等于错误值。有些“异常”是真实业务里最有价值的信息，比如欺诈交易、设备故障前兆。所以答题时要补一句“是否需要剔除取决于业务含义，不能机械套用统计规则”，这句话往往就是简答题的加分点。

3.2 标准化和归一化：公式要背，适用场景更要记

标准化（Z-score）公式是 (x - μ) / σ，处理后均值 0、标准差 1。归一化（Min-Max）公式是 (x - min) / (max - min)，处理后范围落在 [0, 1]。两个公式都不难，但考试喜欢问“什么时候用哪个”。

标准化的好处是对异常值不那么敏感，适合数据分布接近正态、且算法对均值方差敏感的场景，比如逻辑回归、SVM、PCA。归一化的好处是保留原始分布形状、结果有明确边界，适合对距离敏感的算法和需要固定输入范围的场景，比如神经网络、KNN、图像像素处理。

那为什么决策树和随机森林不需要特征缩放？因为树模型分裂时看的是阈值和排序，只关心“哪个值大于哪个值”，把特征整体拉伸或平移不改变排序，所以对缩放不敏感。这个理由答出来，比单纯说“树模型不用缩放”要值钱得多。

顺带说编码。独热编码适合无序类别（颜色、城市），标签编码适合有序类别（低、中、高）或者树模型场景。类别特别多的时候独热编码会造成维度爆炸，这时候要考虑目标编码或者频次编码。考试如果问“为什么独热编码不适合高基数类别特征”，你答“特征维度会随类别数线性增长，导致稀疏矩阵和训练效率下降，同时树模型在高维稀疏特征上分裂效果变差”，就到位了。

3.3 必须手感熟练的高频 API

编程题不要求你背全库，但下面这些操作要能脱稿写出来。这是我认为最值得花时间刷的部分，因为每年考的都差不多。

import numpy as np import pandas as pd df = pd.read_csv("data.csv") # 基本信息 df.shape df.info() df.describe() # 缺失值 df.isnull().sum() df["age"].fillna(df["age"].median(), inplace=True) df.dropna(subset=["target"], inplace=True) # 去重 df.drop_duplicates(inplace=True) # 分组聚合 df.groupby("city")["salary"].agg(["mean", "count", "median"]) # 排序与筛选 df.sort_values("score", ascending=False).head(10) df[df["age"].between(20, 30)] # 新增列 df["z_score"] = (df["x"] - df["x"].mean()) / df["x"].std()

NumPy 部分要记住np.mean、np.median、np.std（注意ddof参数，默认是 0，要样本标准差得写ddof=1）、np.percentile、np.corrcoef。这个ddof是个高频陷阱，很多人手算时候记得除 n-1，写代码时却忘了加参数，两边对不上。

data = np.array([4, 6, 8, 10, 12]) print(data.mean()) # 8.0 print(np.std(data)) # 2.828... 总体标准差 print(np.std(data, ddof=1)) # 3.162... 样本标准差 print(np.percentile(data, 25), np.percentile(data, 75))

还有一个常考点是axis参数的含义。axis=0是按列操作（沿行方向压缩），axis=1是按行操作。记不住就用一个 2×3 的矩阵试一遍，考试前在草稿纸上写两行验证一下，比死记强。

4. 建模与评估：大题的主要出处

这部分是整张卷子分差最大的地方。计算大题通常给一张小数据集，让你手工算回归系数、算混淆矩阵指标、算信息增益。数据量都不大，关键在流程完整、步骤清晰。

4.1 线性回归最小二乘手算

最小二乘的公式是：斜率 b = Σ(xi - x̄)(yi - ȳ) / Σ(xi - x̄)²，截距 a = ȳ - b×x̄。

拿一组数据练：x = 1, 2, 3, 4, 5；y = 2, 4, 5, 4, 5。

x̄ = 3，ȳ = 4。

离差乘积：(1-3)(2-4) = 4，(2-3)(4-4) = 0，(3-3)(5-4) = 0，(4-3)(4-4) = 0，(5-3)(5-4) = 2。合计 6。

x 的离差平方：4 + 1 + 0 + 1 + 4 = 10。

所以 b = 6/10 = 0.6，a = 4 - 0.6×3 = 2.2。

回归方程 ŷ = 2.2 + 0.6x。

算完之后，题目通常会追问预测值或者残差平方和。预测 x=6 时 ŷ = 5.8。残差平方和就是把每个点的 (y - ŷ) 平方加起来，记得别漏点。

这里提醒两个细节。第一，写答案时把中间量 x̄、ȳ、Σ(x-x̄)(y-ȳ)、Σ(x-x̄)² 都列出来，即使最后数字算错，过程分也能拿到大部分。第二，注意 x 和 y 别代反，斜率公式里 xy 的离差乘积在分子，x 的离差平方在分母，代反了结果差得离谱。

4.2 混淆矩阵与三个核心指标

给一个二分类的混淆矩阵，要求算精确率、召回率、F1、准确率，这是最标准的送分题，但也最容易在定义上混。

记住各自的定义：准确率 = (TP + TN) / 总数，精确率 = TP / (TP + FP)，召回率 = TP / (TP + FN)，F1 = 2 × 精确率 × 召回率 / (精确率 + 召回率)。

例子：TP = 40，FP = 10，FN = 20，TN = 130。

准确率 = (40 + 130) / 200 = 0.85。

精确率 = 40 / 50 = 0.80。

召回率 = 40 / 60 ≈ 0.667。

F1 = 2 × 0.8 × 0.667 / (0.8 + 0.667) ≈ 0.727。

三个指标的含义要能用一句话讲清：精确率回答“我判为正的里面有多少真的正”，召回率回答“真正的正例我找出来多少”。场景题常问“疾病筛查更看重哪个指标”，答案是召回率，因为漏诊代价高；“垃圾邮件拦截更看重哪个”，这个要分开看，如果更怕误杀正常邮件就看重精确率。答题时把“代价不对称”这个理由写出来，比只写指标名得分高。

ROC 曲线和 AUC 也要有概念。ROC 横轴是假阳性率（FPR = FP/(FP+TN)），纵轴是真正率（TPR，也就是召回率）。AUC 是 ROC 曲线下面积，取值 0.5 到 1，越接近 1 说明模型区分能力越强，0.5 相当于随机猜。这段话背下来，简答题够用。

4.3 决策树信息熵：手算其实就三步

信息熵公式 H = -Σ pi × log2(pi)。信息增益 = 划分前的熵 - 划分后各子集熵的加权平均。

拿一个二分类练：10 个样本，6 正 4 负。父节点熵 = -(0.6 log2 0.6 + 0.4 log2 0.4) = -(0.6×(-0.737) + 0.4×(-1.322)) = 0.442 + 0.529 = 0.971。

现在按某个特征分成两组：第一组 5 个样本，4 正 1 负，熵 = -(0.8 log2 0.8 + 0.2 log2 0.2) = 0.258 + 0.464 = 0.722。第二组 5 个样本，2 正 3 负，熵 = -(0.4 log2 0.4 + 0.6 log2 0.6) = 0.971。

加权平均 = 0.5×0.722 + 0.5×0.971 = 0.8465。

信息增益 = 0.971 - 0.8465 = 0.1245。

三步走：算父熵、算子熵加权、相减。log2 的常用值建议记住几个：log2(0.5) = -1，log2(0.25) = -2，log2(0.8) ≈ -0.322，log2(0.2) ≈ -2.322，log2(0.6) ≈ -0.737，log2(0.4) ≈ -1.322。考场不给计算器的话，这些值能救你一命。如果给了计算器，记得按 log 底数为 2 的那个键，用换底公式容易按错。

另外，信息增益偏向取值多的特征，这是它的固有缺陷。C4.5 用信息增益率来修正，CART 用基尼指数。基尼指数公式是 1 - Σ pi²，计算比熵简单，也常考。

4.4 过拟合与交叉验证：简答题的高分模板

过拟合的典型表现是训练集表现好、验证集表现差。原因可以归结为模型太复杂、数据太少、噪声太多。解决办法有几个方向：降低模型复杂度、增加数据量、正则化、早停、集成方法。

正则化的 L1 和 L2 要能区分：L1 倾向于把不重要的特征权重压到 0，产生稀疏解，可以做特征选择；L2 倾向于让权重整体变小但不为 0，更平滑。这个区别几乎年年考。

K 折交叉验证的流程也要能写：把数据分成 K 份，每次取一份做验证、其余 K-1 份做训练，重复 K 次，最后取 K 次结果的平均。K 常取 5 或 10。为什么不用简单的训练集/测试集划分？因为数据量小的时候单次划分结果波动大，交叉验证能让评估更稳定。这个“为什么”写出来才算答完整。

5. 复习节奏与资料取舍

考前两周才开始慌，是大多数人的常态。我按三周的时间窗给一个节奏，你按剩余时间等比压缩就行。

5.1 三周时间表

第一周解决 P0 和 P1 的概念与手算。每天固定两小时，一小时过概念、一小时做手算。手算必须动笔，不能在脑子里过，因为脑子里的计算会自动跳过你不熟的那一步。第一天描述统计，第二天概率分布，第三天假设检验，第四天预处理，第五天标准化与编码，第六天混淆矩阵，第七天把这一周的错题重做一遍。

第二周攻计算大题和编程。线性回归、贝叶斯、信息熵各花半天，每个类型至少手算三道题。编程部分不要只看代码，打开编辑器自己敲一遍，把上面那几段 API 默写出来。这周结束的时候，你应该能在 20 分钟内完整做完一道回归计算大题。

第三周做整卷和查漏。按考试时间限时做两套，做完立刻对答案，把错的地方归类：是概念不清、公式记错、还是计算失误。三类错误的补救方式完全不同，概念不清要回去看课件，公式记错要抄写默写，计算失误要在草稿纸上贴标签提醒自己。

5.2 资料怎么选：以课件为准，教材为辅

数据科学基础的教材普遍偏厚，考前通读一遍不现实。我的建议是以课件和课堂例题为主，教材只用来补你看不懂的那一节。原因是命题人就是讲这门课的人，卷子的表述习惯、符号约定、甚至例题风格都和课件高度一致，教材的符号体系和课件不一致的时候，考场上容易写错。

真题的价值最高，但要会用。拿到真题不要急着做完，先花十分钟看题型分布和分值结构，判断哪些章节是重点，再倒回去有针对性复习。做完之后不要只对答案，要分析错题的错因。同一道题错两次的，说明是知识漏洞；一次对一次错的，说明是熟练度问题。

笔记我建议做“一页纸”版本：把所有公式、所有易混概念、所有单位和小数点规则压缩到一张 A4 纸上。这张纸不是用来带进考场的，是用来在考前一小时快速唤醒记忆的。做这张纸的过程本身就是最好的复习，因为你会被迫判断“哪些是真重点”。

6. 常见问题与踩坑实录

这一节是我觉得最有价值的部分，因为下面这些问题几乎每个人都踩过，但课件里从来不讲。

6.1 概念混淆速查表

这张表建议抄在草稿纸最上面，考前扫一眼。我见过的最冤的失分，就是把精确率和召回率写反，整道 8 分题只拿了过程分。

6.2 计算题低级错误清单

按我统计的错题分布，计算失误集中在下面几个地方，你考前对照自查一遍。

第一，方差分母。这个前面说过，出现“样本”两个字就除 n-1。

第二，相关系数和斜率的分子混淆。相关系数 r 的分子是 Σ(x-x̄)(y-ȳ) 除以两个标准差的乘积再除以 n，斜率 b 的分子是同一个离差乘积和除以 Σ(x-x̄)²。分子一样，分母完全不同，别串。

第三，百分位数位置计算。用 (n+1)×p 还是 n×p，不同教材不同，按你们课件的规则来，考前确认一次。

第四，混淆矩阵的行列方向。有的教材行是真实标签，列是预测标签，有的反过来。写答案前先看题干给的表格标注，标清“行=真实”，写在答题卡上，避免自己看混。

第五，单位和小数位。概率题结果写成 8.76% 还是 0.0876，看题目要求；如果没要求，两种都写上，加个括号说明。

第六，符号方向。单尾检验的拒绝域只在一边，双尾在两边，显著性水平要除以 2。这个除以 2 忘了，整道题结论就反了。

6.3 考场上的时间分配与答题顺序

按 120 分钟算，我的建议是客观题 30 分钟、简答题 25 分钟、计算题 45 分钟、编程题 20 分钟，留 10 分钟检查。客观题不要恋战，一道题超过 2 分钟没思路就跳过，先拿后面确定的分。

顺序上建议从计算题开始做，而不是按卷面顺序。原因是计算题分值高、耗时长，趁脑子最清醒的时候做，正确率明显更高。客观题放到后面，即使时间紧，蒙一个也有 25% 的概率，损失可控。

简答题的写法有个技巧：先写结论，再写理由，最后补一句适用条件。判卷是按点给分的，结论写在第一行，老师一眼能看到。我见过很多人洋洋洒洒写了一大段，结论埋在最后一句，结果前面翻页没看到，白丢分。

还有一个小细节：计算题一定要写单位和中间步骤。哪怕最后数字算错，只要公式和代入过程对，通常能拿到 60% 以上的分。反过来，只写一个答案，错了就是零分。

6.4 复习期的两个心态坑

第一个坑是“刷题量焦虑”。看到别人刷了五套卷子就慌，其实这门课的重点不是题量，是题型的覆盖度。五套卷子如果都是同一类题，不如两套卷子覆盖五种题型。

第二个坑是“看懂等于会做”。翻课件的时候觉得每个概念都懂，一合上书就写不出来。判断标准很简单：拿一张白纸，把线性回归的完整推导写一遍，写不出来就是没会。这个方法有点残酷，但它是唯一能提前暴露问题的方式。

最后分享一个我自己一直在用的办法：把每个章节浓缩成一个“如果考这道题，我会怎么答”的提纲，大概三到五行。全部章节过一遍，你手上就有了一份自己的答题模板。考场上遇到陌生题，先找它属于哪个模板，按模板的框架往里填，比从零开始想快得多。这个方法在时间紧、题量大的卷子上特别管用，我用它救过好几次场。