2025年大数据分析技术培训试卷附答案 .docxVIP

2025年大数据分析技术培训试卷附答案

2025年大数据分析技术培训试卷

一、单项选择题（每题2分，共20分）

1.以下关于数据湖（DataLake）与传统数据仓库（DataWarehouse）的核心差异描述，正确的是：

A.数据湖仅存储结构化数据，数据仓库支持多模态数据

B.数据湖采用“读时模式”（Schema-on-Read），数据仓库采用“写时模式”（Schema-on-Write）

C.数据湖的主要应用场景是面向业务的实时报表，数据仓库用于探索性分析

D.数据湖必须依赖Hadoop生态，数据仓库仅支持关系型数据库

2.在实时数据处理场景中，ApacheFlink3.0版本相比上一代的关键改进是：

A.引入批流统一API，支持更灵活的窗口管理

B.仅优化了内存管理，未涉及计算模型改进

C.取消Checkpoint机制，改为基于日志的恢复

D.仅支持事件时间（EventTime），不再支持处理时间（ProcessingTime）

3.某电商平台用户行为数据中，“支付成功时间”字段存在15%的缺失值，且缺失模式与用户所在地区强相关。最合理的填充方法是：

A.用全局平均值填充

B.删除所有缺失记录

C.按地区分组计算中位数填充

D.用随机数生成填充

4.隐私计算技术中，联邦学习（FederatedLearning）的核心目标是：

A.在不共享原始数据的前提下联合训练模型

B.完全替代数据脱敏技术

C.仅适用于同构数据场景（HomogeneousData）

D.要求所有参与方使用相同的硬件设备

5.关于图神经网络（GNN）在大数据分析中的应用，以下表述错误的是：

A.适合处理社交关系、物流网络等图结构数据

B.相比传统机器学习模型，对节点间的依赖关系捕捉能力更弱

C.可用于欺诈检测中的关联分析

D.常见模型包括GCN（图卷积网络）和GraphSAGE（图采样与聚合）

6.某企业需构建实时推荐系统，要求响应延迟低于100ms，数据吞吐量达10万条/秒。最优的技术选型组合是：

A.Kafka（消息队列）+SparkStreaming（批处理）+Redis（缓存）

B.Pulsar（消息队列）+Flink（流处理）+HBase（列式存储）

C.RabbitMQ（消息队列）+Storm（流处理）+MySQL（关系型数据库）

D.RocketMQ（消息队列）+Flink（流处理）+Redis（缓存）

7.数据质量评估指标中，“一致性”主要考察：

A.数据是否覆盖业务所需的全部维度

B.同一实体在不同系统中的表示是否统一

C.数据是否符合业务规则（如年龄0）

D.数据记录的完整性（如字段非空率）

8.在特征工程中，对“用户近30天购买次数”这一特征进行分箱（Binning）处理的主要目的是：

A.增加特征维度，提升模型复杂度

B.消除异常值影响，降低模型对噪声的敏感

C.将连续特征转换为类别特征，便于线性模型处理

D.减少计算量，仅保留高价值特征

9.以下不属于大数据可视化设计原则的是：

A.最小化认知负荷（MinimizeCognitiveLoad）

B.优先使用3D图表提升视觉冲击

C.保持颜色与数据含义的一致性（如红色表示风险）

D.确保图表的可访问性（如支持色盲模式）

10.某银行需分析客户流失风险，数据集中“客户活跃度”是关键特征，但该指标需通过用户登录频率、交易频率等10个子指标计算。最合理的处理方法是：

A.直接使用所有子指标作为独立特征输入模型

B.通过主成分分析（PCA）降维，提取综合指标

C.仅保留其中1-2个相关性最高的子指标

D.对所有子指标进行标准化后相加，生成新特征

二、填空题（每空2分，共20分）

1.实时数据处理中，Flink的________机制通过记录分布式快照，实现故障恢复时的状态一致性。

2.数据倾斜（DataSkew）的常见解决方法包括________（如调整分区键）、________（如增加并行度）和预处理（如拆分热点数据）。

3.特征工程中，对类别特征的常用编码方法有________（如将“性别”编码为0/1）、________（如根据目标变量的统计值编码）。

4.数据湖存储架构中，________（如DeltaLake、Hudi）通过元数据管理和事务支持，解决了传统数据湖的一致性问题。

5.异常检测中，基于密度的算法（如