2025年数据科学专业认证(CDSP)考试题库（附答案和详细解析）（1219）.docxVIP

数据科学专业认证（CDSP）考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪种方法最适用于处理服从正态分布数据中的异常值？

A.分位数截断法（IQR）

B.Z-score方法

C.聚类检测法（如DBSCAN）

D.专家经验判断法

答案：B

解析：Z-score方法基于正态分布的3σ原则（约99.7%数据落在μ±3σ内），适用于明确服从正态分布的数据；IQR法适用于偏态分布（基于四分位数范围）；聚类检测法适用于无明确分布假设的高维数据；专家经验法依赖主观判断，非统计最优。

当数据存在严重极端值时，描述集中趋势的最佳统计量是？

A.均值

B.中位数

C.众数

D.调和平均数

答案：B

解析：均值对极端值敏感（会被拉高或拉低）；中位数是数据排序后的中间值，不受极端值影响；众数适用于分类数据或离散数据；调和平均数主要用于速率数据的平均，均不适合本题场景。

以下属于监督学习算法的是？

A.K-means聚类

B.线性回归

C.主成分分析（PCA）

D.Q-learning强化学习

答案：B

解析：监督学习需要标签数据（输入-输出对），线性回归通过拟合输入特征与连续标签的关系进行预测；K-means（无监督）、PCA（无监督降维）、Q-learning（强化学习，通过奖励信号学习策略）均不符合。

用于可视化两个连续变量之间相关关系的最佳图表是？

A.箱线图

B.热力图

C.散点图

D.折线图

答案：C

解析：散点图通过点的分布直接展示两个变量的关联趋势（如正相关、负相关）；箱线图展示单变量分布；热力图用于展示矩阵数据（如相关系数矩阵）；折线图适用于时间序列或有序变量的趋势。

对类别型特征“职业”（取值为教师、医生、工程师）进行编码时，最合理的方法是？

A.标准化（Z-score）

B.分箱（Binning）

C.独热编码（One-HotEncoding）

D.主成分分析（PCA）

答案：C

解析：类别型特征无顺序关系，独热编码通过二进制向量表示不同类别（如3个类别生成3维0-1向量），避免模型错误识别顺序；标准化用于数值型特征；分箱是离散化数值型特征；PCA是降维方法，均不适用。

对于类别高度不平衡的分类任务（如1%正样本），最适合的评估指标是？

A.准确率（Accuracy）

B.F1-score

C.均方误差（MSE）

D.R平方（R2）

答案：B

解析：准确率在类别不平衡时会因多数类主导而虚高（如全预测负样本准确率99%）；F1-score综合精确率（Precision）和召回率（Recall），更关注少数类表现；MSE和R2是回归任务指标。

以下属于Hadoop生态系统中分布式存储组件的是？

A.MapReduce

B.HDFS

C.Spark

D.Flink

答案：B

解析：HDFS（Hadoop分布式文件系统）是Hadoop的核心存储组件；MapReduce是计算框架；Spark和Flink是独立的计算引擎（支持内存计算和流处理）。

条件概率P(A|B)的正确计算公式是？

A.P(A)×P(B)

B.P(A)+P(B)

C.P(AB)/P(B)

D.P(B|A)×P(A)

答案：C

解析：条件概率定义为事件B发生时事件A发生的概率，公式为P(A|B)=P(AB)/P(B)（其中P(AB)是A和B同时发生的联合概率）；D是贝叶斯定理的变形（P(B|A)×P(A)=P(AB)）。

数据仓库（DataWarehouse）的核心应用场景是？

A.实时事务处理（OLTP）

B.在线分析处理（OLAP）

C.原始数据存储（数据湖）

D.日志实时写入

答案：B

解析：数据仓库通过ETL（抽取-转换-加载）整合多源数据，优化复杂查询和分析（如多维聚合、趋势预测），属于OLAP；OLTP是关系型数据库的事务处理（如用户下单）；数据湖存储原始未处理数据；日志实时写入属于流数据处理。

以下Python库中，专门用于数据清洗和预处理的是？

A.NumPy

B.Pandas

C.Matplotlib

D.Scikit-learn

答案：B

解析：Pandas提供DataFrame数据结构，支持缺失值处理、数据合并、分组聚合等预处理操作；NumPy是数值计算基础库；Matplotlib是可视化库；Scikit-learn是机器学习算法库。

二、多项选择题（共10题，每题2分，共20分）

数据预处理的核心步骤包括？（至少2个正确选项）

A.缺失值处理

B.异常值检测

C.数据标准化

D.类别特征编码

答案：ABCD

解析：数据预处理是为模型输入准备高质量数据的过程，包括缺失值填充/删除（A）、异常值修正/剔除（B）、数值特征标准化/归一化（C）、类别