大数据可视化技术试题及答案.docxVIP

大数据可视化技术试题

考试时间：120分钟满分：100分

一、单项选择题（每题2分，共20分）

下列属于数据可视化核心视觉通道中“定量通道”的是（）

A.形状

B.颜色hue（色相）

C.长度

D.纹理

答案：C

解析：视觉通道分为定性、定量和定序三类。长度可精准表达数值大小差异，属于定量通道；A、B、D多用于区分类别，属于定性通道。

适合展示“不同产品季度销售额占比变化”的图表类型是（）

A.直方图

B.堆叠面积图

C.散点图

D.箱形图

答案：B

解析：堆叠面积图能同时呈现多个类别数据的占比关系与变化趋势，契合“销售额占比变化”的分析需求；A用于展示数据分布，C用于观察变量相关性，D用于识别异常值。

下列工具中属于“低代码可视化平台”的是（）

A.Matplotlib

B.Tableau

C.D3.js

D.Pyecharts

答案：B

解析：Tableau无需复杂编码，通过拖拽操作即可完成数据连接与可视化制作，属于低代码平台；A、C、D均需通过编程实现可视化，属于代码型工具。

数据可视化流程中，介于“数据准备”与“可视化设计”之间的核心环节是（）

A.需求分析

B.数据治理

C.交互开发

D.效果评估

答案：B

解析：数据可视化标准流程为：需求分析→数据准备→数据治理（含清洗、整合、标准化）→可视化设计→交互开发→效果评估，数据治理确保数据质量，是设计的基础。

用于识别单变量数据中异常值的可视化方法是（）

A.维恩图

B.平行坐标图

C.箱形图

D.气泡图

答案：C

解析：箱形图通过四分位数范围（IQR）界定正常数据区间，超出“上限（Q3+1.5IQR）”或“下限（Q1-1.5IQR）”的数据可判定为异常值；A用于展示集合关系，B用于多变量分析，D用于表达三维数据。

ECharts实现动态数据更新时，核心调用的方法是（）

A.setOption()

B.init()

C.addData()

D.on()

答案：C

解析：addData()是ECharts专门用于动态添加数据的API，可实现图表实时更新；init()用于初始化图表实例，setOption()用于设置配置项，on()用于绑定事件。

下列属于“可视化数据挖掘”优势的是（）

A.仅能呈现挖掘结果，无法观察过程

B.降低用户对数据规律的直观感知

C.支持交互式探索，提升挖掘效率

D.需依赖复杂算法推导，用户参与度低

答案：C

解析：可视化数据挖掘打破传统挖掘“黑箱”模式，通过直观界面支持用户交互探索，能提升挖掘效率与准确性；A、B、D均为传统数据挖掘的局限性。

医疗大数据可视化中，保障患者隐私的核心技术是（）

A.数据脱敏

B.数据聚合

C.图表美化

D.多源融合

答案：A

解析：数据脱敏通过替换、屏蔽等方式去除患者身份信息（如姓名、身份证号），是医疗场景隐私保护的关键技术；B用于数据整合，C用于视觉优化，D用于数据汇聚。

Python中用于绘制地理空间热力图的库是（）

A.Seaborn

B.Plotly

C.Pandas

D.NumPy

答案：B

解析：Plotly支持地理坐标系映射，可快速生成热力图、散点地图等空间可视化效果；Seaborn擅长统计图表，Pandas和NumPy为数据处理库，不直接提供地理可视化功能。

数据可视化设计中，“避免使用过多色彩区分相似数据类别”遵循的原则是（）

A.准确性原则

B.简洁性原则

C.交互性原则

D.美观性原则

答案：B

解析：简洁性原则要求减少视觉冗余，避免过度设计干扰信息传递，过多色彩会增加用户认知负担；A强调数据真实，C关注用户操作，D侧重视觉效果。

二、简答题（每题8分，共32分）

简述数据可视化与数据挖掘的核心区别与联系。

答案：

（1）核心区别：

逻辑起点不同：数据可视化多以明确分析目标为起点，通过图形化呈现解读数据规律；数据挖掘无需预设假设，依赖算法从海量数据中自动发现隐藏关联。

输出形式不同：可视化输出直观图表或交互界面，侧重“呈现与解读”；数据挖掘输出模型、规则或异常结果，侧重“发现与预测”。

（2）核心联系：

互补支撑：可视化可辅助数据挖掘过程（如通过散点图识别聚类趋势），挖掘结果可通过可视化增强可读性。

共同目标：均服务于数据价值提取，助力决策制定。

列举三种常用可视化工具，分别说明其适用场景与技术特点。

答案：

（1）Tableau：

适用场景：业务人员快速数据分析、企业级BI报表制作、多源数据可视化dashboard搭建。

技术