大数据分析方法与实践试题​.docVIP

大数据分析方法与实践试题

一、选择题

1.以下哪种方法常用于大数据预处理中的缺失值处理？（）[单选题]*

A.直接删除包含缺失值的记录

B.使用均值或中位数填充

C.随机生成数值填充

D.忽略缺失值继续分析

答案：B

原因：均值或中位数填充能减少数据偏差，适用于数值型数据，避免因删除记录导致样本量不足。

2.在大数据分析中，MapReduce的核心思想是？（）[单选题]*

A.将数据分块并行处理

B.仅支持结构化数据计算

C.依赖单机高性能计算

D.实时流数据处理

答案：A

原因：MapReduce通过分治策略将任务拆分为Map（映射）和Reduce（归约）阶段，实现分布式并行计算。

3.以下哪项不属于大数据分析的主要挑战？（）[单选题]*

A.数据质量不一致

B.计算资源需求高

C.数据隐私与安全

D.数据量始终恒定

答案：D

原因：大数据的特点之一是数据规模持续增长，而非恒定不变。

4.关联规则挖掘中，用于衡量规则可靠性的指标是？（）[多选题]*

A.支持度（Support）

B.置信度（Confidence）

C.余弦相似度

D.提升度（Lift）

答案：ABD

原因：支持度反映规则普遍性，置信度衡量规则准确性，提升度评估规则相关性，余弦相似度多用于文本分析。

5.关于Hadoop生态组件，描述正确的是？（）[单选题]*

A.HBase适合高延迟的批处理

B.HDFS设计用于低容量数据存储

C.Spark可替代MapReduce实现更快计算

D.Pig主要用于实时数据流处理

答案：C

原因：Spark基于内存计算，速度优于MapReduce；HBase是低延迟的NoSQL数据库，HDFS支持海量数据存储，Pig为批处理工具。

6.数据仓库与数据湖的关键区别在于？（）[单选题]*

A.数据湖仅存储结构化数据

B.数据仓库需预先定义模式

C.数据湖不支持分析操作

D.数据仓库成本更低

答案：B

原因：数据仓库要求严格的数据模式设计，数据湖支持原始数据（结构化/非结构化）的灵活存储。

7.以下哪种算法常用于聚类分析？（）[单选题]*

A.决策树

B.K-means

C.逻辑回归

D.支持向量机

答案：B

原因：K-means是无监督学习的典型聚类算法，其他选项均为分类方法。

8.大数据可视化工具应具备的特性包括？（）[多选题]*

A.支持交互式探索

B.仅适用静态图表

C.处理海量数据渲染

D.忽略用户友好性

答案：AC

原因：交互性和高性能是大数据可视化的核心需求，静态图表和低友好性会限制分析效率。

9.流式计算框架Storm的特点是？（）[单选题]*

A.高延迟高吞吐

B.仅支持批处理

C.低延迟实时处理

D.依赖磁盘存储计算中间结果

答案：C

原因：Storm专为实时流处理设计，延迟可达到毫秒级。

10.主成分分析（PCA）的作用是？（）[单选题]*

A.降低数据维度

B.增加数据噪声

C.提高数据冗余

D.生成新特征

答案：A

原因：PCA通过线性变换将高维数据投影到低维空间，保留主要方差信息。

11.关于数据采样，正确的是？（）[多选题]*

A.分层采样可减少类别不平衡

B.简单随机采样必然代表整体分布

C.过采样可能导致过拟合

D.欠采样一定提升模型性能

答案：AC

原因：分层采样保障类别比例，过采样复制少数类样本可能引入偏差，随机采样需足够样本量才具代表性。

12.数据挖掘的CRISP-DM流程阶段不包括？（）[单选题]*

A.业务理解

B.数据准备

C.模型部署

D.硬件采购

答案：D

原因：CRISP-DM是跨行业标准流程，硬件采购不属于其六个核心阶段。

13.以下哪种数据库适合处理图结构数据？（）[单选题]*

A.MySQL

B.MongoDB

C.Neo4j

D.Cassandra

答案：C

原因：Neo4j是图数据库，专门优化节点和关系的存储与查询。

14.大数据分析中，特征工程的目的是？（）[单选题]*

A.增加数据存储量

B.提升模型输入质量

C.替代算法选择

D.减少数据可视化需求

答案：B

原因：特征工程通过转换或构造特征使数据更适合模型训练。

15.关于SparkRDD的描述，错误的是？（）[单选题]*

A.不可变分布式数据集

B.支持内存缓存加速

C.仅能处理结构化数据

D.可容错恢复

答案：C

原因：RDD可处理结构化、半结构化和非结构化数据。

16.数据治理的核心目标包括？（）[多选题]*

A.确保数据准确性

B.降低数据价值

C.规避合规风险

D.限制数据共享

答案：AC

原因：数据治理旨在通过质量管理和合规控制提升数据可用性，而非降低价值或过度限制共享。

17.时间序列分析常用的模型是？（）[单选题]*

A.ARIMA

B.随机森林

C.KNN

D.朴素贝叶斯

答案：A

原因：ARI