2025年大数据分析师职业技能测试卷及答案.docxVIP

2025年大数据分析师职业技能测试卷及答案

一、单项选择题（每题1分，共30分。每题只有一个正确答案，请将正确选项字母填在括号内）

1.在Hadoop生态中，负责资源管理与任务调度的组件是（）

A.HDFS??B.YARN??C.MapReduce??D.Hive

答案：B

2.某电商公司用户行为日志量每日新增200TB，若采用列式存储格式，下列选项中最适合的是（）

A.Avro??B.Parquet??C.SequenceFile??D.ORC

答案：B

3.使用SparkSQL执行以下语句：

SELECTcity,COUNT()AScnt

FROMuser

WHEREdtBETWEENAND

GROUPBYcity

HAVINGcnt1000;

若dt为分区字段，则优化器可自动下推的操作为（）

A.谓词下推??B.列裁剪??C.常量折叠??D.聚合下推

答案：A

4.在Flink流处理中，实现ExactlyOnce语义的核心机制是（）

A.Checkpoint??B.Savepoint??C.Watermark??D.StateTTL

答案：A

5.某时序数据库写入QPS峰值达500万，要求读写延迟5ms，下列存储引擎最合适的是（）

A.LSMTree??B.B+Tree??C.Hash??D.Bitmap

答案：A

6.使用Python的pandas读取一个10GBCSV文件时，为避免内存溢出，最佳实践是（）

A.使用read_csv()并设置dtype=str

B.使用read_csv()并设置chunksize=106

C.先压缩为gzip再读取

D.转换为Excel再读取

答案：B

7.在Hive中，以下哪种分桶策略能最大程度避免数据倾斜（）

A.随机分桶??B.基于hash(user_id)分桶??C.基于range分桶??D.基于日期分桶

答案：B

8.某机器学习模型在训练集AUC=0.98，验证集AUC=0.72，其最可能的问题是（）

A.欠拟合??B.过拟合??C.特征泄露??D.标签不平衡

答案：B

9.在Kafka中，以下参数可控制消息在Topic中保留的最长时间（）

A.retention.ms??B.segment.ms??C.max.poll.interval.ms??D.request.timeout.ms

答案：A

10.使用SQL计算用户留存率时，最常用的连接方式是（）

A.LEFTJOIN??B.INNERJOIN??C.RIGHTJOIN??D.FULLOUTERJOIN

答案：A

11.在数据仓库分层架构中，DWD层的主要职责是（）

A.原始数据备份??B.明细数据清洗与规范化??C.汇总指标计算??D.维度建模

答案：B

12.以下关于数据倾斜的描述，错误的是（）

A.大表与大表join时，空值集中会导致倾斜

B.使用mapsidejoin可完全消除倾斜

C.加盐（salt）可缓解reduce端热点

D.动态分区过多可能触发倾斜

答案：B

13.在Airflow中，任务依赖通过以下哪个字段声明（）

A.depends_on_past??B.upstream_tasks??C.downstream_tasks??D.retries

答案：B

14.使用XGBoost时，控制过拟合效果最显著的参数是（）

A.max_depth??B.subsample??C.learning_rate??D.gamma

答案：A

15.某业务要求实时大屏延迟≤1s，技术选型应优先考虑（）

A.SparkStreaming??B.FlinkCEP??C.Storm??D.Flume

答案：B

16.在数据治理中，衡量数据唯一性的指标是（）

A.Completeness??B.Consistency??C.Uniqueness??D.Timeliness

答案：C

17.使用Elasticsearch进行聚合分析时，为避免分片误差，应设置的参数是（）

A.size=0??B.shard_size??C.timeout??D.search_type=dfs_query_then_fetch

答案：D

18