数据仓库与数据挖掘期末考试题库及答案

数据仓库与数据挖掘期末考试题库及答案一、单项选择题（每题1分，共20分。每题只有一个正确答案，请将正确选项的字母填在括号内）1.在数据仓库的多维模型中，用于描述“销售额”这一度量值的维度是（）。A.时间B.产品C.客户D.销售额本身答案：D2.下列关于ETL过程的描述，错误的是（）。A.ETL包括数据抽取、转换和加载B.数据清洗属于转换阶段C.数据加载阶段必须采用全量加载D.ETL过程可触发数据质量检查答案：C3.在Apriori算法中，若频繁k项集为空，则（）。A.算法继续搜索k+1项集B.算法终止C.重新扫描事务数据库D.降低最小支持度阈值答案：B4.雪花模型与星型模型的主要区别是（）。A.雪花模型没有事实表B.雪花模型对维度表做了进一步规范化C.星型模型采用规范化结构D.雪花模型不支持聚集操作答案：B5.在ID3算法中，选择划分属性所使用的指标是（）。A.基尼指数B.信息增益C.增益率D.卡方统计量答案：B6.数据仓库中通常采用“渐变维度”技术处理（）。A.维度表的主键冲突B.维度属性随时间变化C.事实表冗余D.维度层次不一致答案：B7.下列关于OLAP操作的描述，正确的是（）。A.切片是减少维度的一个取值B.切块是增加一个维度C.上卷是降低粒度D.下钻是降低粒度答案：D8.在Kmeans聚类中，若初始簇中心选择不当，可能导致（）。A.簇内平方和增大B.算法无法收敛C.空簇D.以上均可能答案：D9.数据挖掘任务中，关联规则挖掘的评价指标不包括（）。A.支持度B.置信度C.提升度D.准确率答案：D10.在数据仓库分层架构中，最接近源系统的是（）。A.数据服务层B.数据汇总层C.数据准备区D.数据应用层答案：C11.下列关于朴素贝叶斯分类器的假设，正确的是（）。A.属性间完全相关B.各类别先验概率相等C.属性在给定类别下条件独立D.属性服从均匀分布答案：C12.在数据挖掘流程CRISPDM中，首先进行的阶段是（）。A.数据理解B.业务理解C.数据准备D.建模答案：B13.若某事务数据库共1000条事务，其中同时购买{A,B}的有100条，购买{A}的有200条，则规则A→B的置信度为（）。A.10%B.20%C.50%D.无法计算答案：C14.在数据仓库中，事实表的粒度是指（）。A.事实表记录数B.事实表占用的字节数C.每条事实记录所表示的业务细节程度D.事实表主键的个数答案：C15.下列关于Bagging的描述，正确的是（）。A.各基学习器强相关B.可降低方差C.必须采用同质基学习器D.对噪声敏感答案：B16.在数据挖掘中，过拟合是指（）。A.训练误差低且测试误差低B.训练误差低但测试误差高C.训练误差高且测试误差高D.训练误差高但测试误差低答案：B17.若某维度表采用Type2SCD方式，当某客户地址变更时，原记录（）。A.被物理删除B.被更新覆盖C.保留并新增一条记录D.移到历史表答案：C18.在Hive中，分区表的主要作用是（）。A.增加数据冗余B.减少存储空间C.提高查询效率D.自动ETL答案：C19.下列关于FPGrowth的描述，错误的是（）。A.只需扫描数据库两次B.采用压缩的树结构C.必须生成候选集D.可发现频繁项集答案：C20.在数据仓库项目中，元数据的主要作用不包括（）。A.血缘追踪B.影响分析C.降低存储成本D.支持数据质量管理答案：C二、多项选择题（每题2分，共20分。每题有两个或两个以上正确答案，请将所有正确选项的字母填在括号内，漏选、错选均不得分）21.以下属于数据仓库基本特征的有（）。A.面向主题B.集成性C.实时性D.非易失性答案：ABD22.下列措施可用于缓解决策树过拟合的有（）。A.预剪枝B.后剪枝C.增加树深度D.限制叶节点最小样本数答案：ABD23.以下属于聚类算法的有（）。A.DBSCANB.C4.5C.KmedoidsD.CLARANS答案：ACD24.在Apriori算法中，提高最小支持度阈值会导致（）。A.频繁项集数量减少B.关联规则数量减少C.算法运行时间一定减少D.可能丢失有趣规则答案：ABD25.以下关于Hive与关系数据库的描述，正确的有（）。A.Hive支持事务但默认关闭B.Hive采用SchemaonReadC.关系数据库采用SchemaonWriteD.Hive适合OLTP场景答案：ABC26.以下属于数据挖掘中“异常检测”应用的有（）。A.信用卡欺诈识别B.网络入侵检测C.客户细分D.设备故障预警答案：ABD27.在数据仓库中，事实表通常包含（）。A.外键B.度量值C.维度描述属性D.时间戳答案：ABD28.以下关于主成分分析（PCA）的描述，正确的有（）。A.是一种无监督降维方法B.新坐标轴彼此正交C.保留最大方差方向D.必须标准化原始变量答案：ABCD29.以下属于数据质量维度指标的有（）。A.准确性B.完整性C.一致性D.及时性答案：ABCD30.在构建数据仓库时，采用增量ETL策略的优点包括（）。A.减少源系统压力B.缩短加载时间C.降低存储需求D.简化故障恢复答案：ABC三、填空题（每空1分，共20分。请将答案直接填在横线上）31.在数据仓库中，将不同源系统中相同含义的字段统一格式和编码的过程称为________。答案：数据标准化32.若某事务数据库中项集{a,b}的支持度计数为50，总事务数为1000，则其支持度为________%。答案：533.在Kmeans算法中，常用的簇内相似度度量是________距离。答案：欧氏34.决策树CART算法采用________指标进行属性选择。答案：基尼指数35.在OLAP中，将三维立方体通过固定一个维度值得到二维子立方体的操作称为________。答案：切片36.若某维度表采用Type1SCD，当属性变化时，旧值将被________。答案：覆盖37.在HiveQL中，创建分区表的语法关键字是________。答案：PARTITIONEDBY38.关联规则挖掘中，提升度大于1表示规则前件与后件呈________相关。答案：正39.在数据挖掘中，将连续属性离散化的过程称为________。答案：分箱40.在FPGrowth算法中，第一次扫描数据库后生成________表。答案：频繁1项集（或L1）41.数据仓库分层架构中，用于保存经过清洗、转换但尚未汇总的数据层通常称为________层。答案：明细（或集成明细）42.在朴素贝叶斯中，若某属性值在训练集中未出现，会导致概率为0，此时需采用________估计。答案：拉普拉斯平滑43.在聚类评估指标中，衡量簇内紧密度与簇间分离度的综合指标是________。答案：轮廓系数44.在数据仓库中，记录每个ETL任务开始时间、结束时间、状态等信息的数据称为________元数据。答案：过程45.若某事实表粒度为“每客户每日每产品”，则其最细粒度维度组合为________。答案：客户键+日期键+产品键46.在Hive中，将本地文件加载到分区表的命令关键字为________。答案：LOADDATALOCALINPATH47.在决策树后剪枝中，常用的评估方法是________剪枝。答案：代价复杂度（或悲观误差）48.在数据挖掘中，将高维数据映射到低维空间并尽可能保留邻近关系的方法称为________。答案：tSNE49.在Apriori性质中，频繁项集的________子集必为频繁。答案：所有50.在数据仓库项目中，用于描述“数据从哪来、经过哪些转换、到哪去”的图形化工具称为________图。答案：数据血缘（或数据lineage）四、简答题（共5题，每题8分，共40分）51.简述星型模型与雪花模型的优缺点，并给出适用场景。答案：星型模型：优点：结构简单、查询效率高、易于用户理解；维度表去规范化，减少表连接。缺点：存在数据冗余，更新异常风险；维度表较大时存储浪费。适用：查询性能要求高、维度属性变化不频繁、分析型应用。雪花模型：优点：维度表规范化，节省存储；数据一致性更好。缺点：表连接增多，查询性能下降；模型复杂，用户理解难度高。适用：维度层次深、属性重复度高、存储敏感、更新频繁场景。52.说明Kmeans算法步骤，并指出其两个主要缺陷及改进思路。答案：步骤：1)随机选取k个初始簇中心；2)将每个样本分配到最近中心形成簇；3)重新计算各簇中心；4)重复23直至中心不再变化或达到最大迭代。缺陷：1)对初始中心敏感，可能陷入局部最优；改进：多次随机初始化或使用kmeans++。2)对噪声和离群点敏感；改进：采用kmedoids或密度聚类。53.解释“渐变维度”三种类型，并举例说明Type2在零售会员系统中的实现方式。答案：Type1：覆盖旧值，不保留历史；Type2：新增记录保留历史，通过代理键区分版本；Type3：增加列保存前一值，仅保留最近历史。Type2示例：会员等级变更时，原记录增加过期日期并标记为“历史”，插入新记录含新等级、生效日期，事实表通过代理键关联当前版本。54.描述Apriori算法利用“先验性质”减少搜索空间的具体过程。答案：先验性质：频繁项集的所有子集必频繁。过程：1)由Lk1与自身连接生成候选k项集Ck；2)对Ck中每个候选，检查其所有(k1)子集是否都在Lk1中，若存在非频繁子集则剪枝；3)扫描数据库计算剩余候选支持度，得到Lk。通过剪枝，大幅缩减候选规模，降低I/O与计算量。55.给出数据仓库ETL过程中“数据质量检查”五项关键指标，并说明如何量化。答案：1)准确性：抽样与权威源比对，错误记录占比；2)完整性：必填字段空值率；3)一致性：外键引用失败率、编码映射错误率；4)唯一性：主键重复数/总记录数；5)及时性：数据到达延迟超过SLA的次数占比。五、应用题（共4题，共70分）56.（计算题，15分）某超市事务数据库如下，最小支持度阈值30%，最小置信度阈值70%。T1:{牛奶,面包,啤酒}T2:{面包,尿布,啤酒,可乐}T3:{牛奶,面包,尿布,啤酒}T4:{面包,尿布,可乐}T5:{牛奶,面包,尿布,啤酒,可乐}(1)采用Apriori算法列出所有频繁1项集、2项集、3项集；(2)写出关联规则“啤酒→尿布”的支持度、置信度，并判断是否强规则；(3)计算该规则的提升度，并解释其业务含义。答案：(1)频繁1项集：{牛奶}:3,{面包}:5,{尿布}:4,{啤酒}:4,{可乐}:3频繁2项集：{面包,牛奶}:3,{面包,尿布}:4,{面包,啤酒}:4,{面包,可乐}:3,{尿布,啤酒}:3,{尿布,可乐}:3,{啤酒,可乐}:2(剔除)频繁3项集：{面包,尿布,啤酒}:3(2)支持度(啤酒→尿布)=P(啤酒∩尿布)=3/5=60%置信度=P(尿布|啤酒)=3/4=75%≥70%，为强规则。(3)提升度=0.6/(0.8×0.6)=1.25>1，表示购买啤酒positively促进尿布销售，可摆放促销。57.（分析题，20分）某电商公司构建客户流失预警模型，原始数据含100万客户，属性50个，含数值与类别变量，正负样本比例1:9。(1)给出处理类别不平衡的三种技术并比较；(2)说明如何采用PCA降维，并指出如何确定主成分个数；(3)若采用随机森林，给出调参步骤及评估指标选择；(4)解释模型部署后如何监控性能漂移。答案：(1)欠采样：减少多数类，简单但信息丢失；过采样/SMOTE：合成少数类，易过拟合；代价敏感学习：调整类别权重，无需改变分布，推荐。(2)标准化→计算协方差→特征分解→按累计解释方差≥95%或拐点法选k；保留解释度≥95%的最小k。(3)GridSearchCV对n_estimators、max_depth、min_samples_split、max_features调参；采用分层5折交叉验证；评估指标选AUCROC，兼顾不平衡。(4)每日批量预测，计算PSI、CSI监测特征与预测分布；若PSI>0.2触发重训练；监控AUC下降>5%即告警。58.（综合设计题，20分）某连锁便利店计划构建“单店日销售”数据仓库，源系统包括POS交易、会员系统、天气API、节假日表。(1)给出事实表粒度、主要维度、度量值；(2)设计星型模型图示（文字描述），指出主键、外键；(3)说明ETL中如何处理“商品”维的渐变属性（价格变化）；(4)给出三种OLAP分析示例并写出伪SQL。答案：(1)粒度：单店日期商品促销；维度：日期、店铺、商品、会员、促销、天气；度量：销售额、销量、折扣额、客单价。(2)事实表sales_fact(store_key,date_key,product_key,member_key,promo_key,weather_key,sales_amt,qty,discount_amt)维度表：store_dim(store_key,store_city,region…)product_dim(product_key,sku_no,product_name,category,price,start_date,end_date,version…)主键：各维度surrogatekey；外键：事实表对应维度key。(3)商品价变采用Type2：新增版本记录，更新原记录end_date，插入新价格记录，事实表用最新product_key。(4)a.切片：查询2023年春节期间华东地区销售额SELECTSUM(sales_amt)FROMsales_factsJOINdate_dimdONs.date_key=d.date_keyJOINstore_dimstONs.store_key=st.store_keyWHEREd.holiday_name='春节'ANDst.region='华东';b.上卷：按季度汇总销量SELECTd.quarter,SUM(qty)FROMsales_factsJOINdate_dimdONs.date_key=d.date_keyGROUPBYd.quarter;c.下钻：某店单日销售额按小时SELECTd.hour,SUM(sales_amt)FROMsales_factsJOINdate_dimdONs.date_key=d.date_keyWHEREd.date='20231201'ANDs.store_key=101GROUPBYd.hour;59.（编程题，15分）使用Python+scikitlearn完成客户分群。数据：cust.csv含字段Age,Income,SpendScore,VisitFreq。要求：(1)读数据、标准化；(2)用肘部法确定Kmeans最佳k∈[2,10]；(3)输出聚类中心、轮廓系数；(4)可视化聚类结果（二维PCA投影）；(5)解释每簇业务含义并提出营销策略。答案：```pythonimportpandasaspd,matplotlib.pyplotasplt,seabornassnsfromsklearn.preprocessingimportStandardScalerfromsklearn.clusterimportKMeansfromsklearn.decompositionimportPCAfromsklearn.metricsimportsilhouette_scoredf=pd.read_csv('cust.csv')X=df[['Age','Income','SpendScore','VisitFreq']]sc=StandardScaler()X_scaled=sc.fit_transform(X)sse,sil=[],[]K_range=range(2,11)forkinK_range:km=KMeans(n_clusters=k,random_state=42)km.fit(X_scaled)sse.append(km.inertia_)sil.append(silhouette_score(X_scaled,km.labels_))opt_k=K_range[sil.index(max(sil))]print('最佳k=',opt_k,'轮廓系数=',max(sil))best_km=KMeans(n_clusters=opt_k,random_state=42)labels=best_km.fit_predict(X_scaled)centers=sc.inverse_transform(best_km.cluster_centers_)print('聚类中心:\n',pd.DataFrame(centers,columns=X.columns))pca=PCA(n_components=2)X_pca=pca.fit_transform(X_scaled)plt.figure(figsize=(6,5))sns.scatterplot(x=X_pca[:,0],y=X_pca[:,1],hue=labels,palette='Set2')plt.title('PCA投影聚类')plt.show()业务解释示例（k=4）：簇0：高收高花高频，VIP，推高端新品；