新版2025年新公需科目大数据考试题库(含答案)

新版2025年新公需科目大数据考试题库(含答案)一、单项选择题（每题2分，共40分）1.下列哪项不属于大数据“4V”特征的核心要素？A.Volume（大量）B.Velocity（高速）C.Veracity（真实性）D.Validity（有效性）答案：D2.分布式文件系统HDFS的默认块大小是？A.32MBB.64MBC.128MBD.256MB答案：C3.以下哪种数据库属于NoSQL类型？A.MySQLB.OracleC.HBaseD.SQLServer答案：C4.大数据处理框架Spark的核心组件是？A.MapReduceB.RDD（弹性分布式数据集）C.HiveD.Flink答案：B5.数据清洗过程中，处理“年龄字段出现-5”的问题属于？A.缺失值处理B.异常值处理C.重复值处理D.格式标准化答案：B6.下列哪项技术主要用于大数据实时处理？A.HadoopMapReduceB.SparkStreamingC.HiveD.HBase答案：B7.联邦学习的核心目标是？A.提升模型训练速度B.解决数据孤岛问题同时保护隐私C.降低存储成本D.优化数据可视化效果答案：B8.数据湖（DataLake）与数据仓库（DataWarehouse）的主要区别是？A.数据湖存储结构化数据，数据仓库存储非结构化数据B.数据湖存储原始数据，数据仓库存储经过清洗整合的数据C.数据湖仅用于离线分析，数据仓库支持实时分析D.数据湖成本更高，数据仓库成本更低答案：B9.以下哪项属于大数据应用中的“价值密度低”特征？A.社交媒体每天产生TB级数据B.监控视频中仅几秒有有效信息C.传感器数据实时上传D.电商平台用户行为数据格式多样答案：B10.用于描述数据特征的统计量“中位数”属于？A.集中趋势度量B.离散程度度量C.分布形态度量D.相关关系度量答案：A11.下列哪项不属于大数据采集的常见方式？A.传感器实时采样B.网络爬虫抓取公开数据C.关系型数据库导出D.人工录入Excel表格答案：D12.机器学习中，“过拟合”现象是指？A.模型在训练集表现差，测试集表现好B.模型在训练集表现好，测试集表现差C.模型无法处理高维数据D.模型训练时间过长答案：B13.大数据平台中，Hive的主要功能是？A.分布式存储B.实时计算C.数据仓库工具（将SQL转换为MapReduce任务）D.内存计算框架答案：C14.数据可视化工具Tableau的核心优势是？A.支持复杂算法开发B.无需编程即可快速提供交互式图表C.适用于大规模分布式计算D.专注于文本数据挖掘答案：B15.下列哪项属于大数据伦理风险？A.数据存储硬件故障B.算法歧视导致的不公平决策C.网络传输延迟D.数据压缩导致信息丢失答案：B16.边缘计算在大数据场景中的主要作用是？A.将数据全部传输到云端处理B.在靠近数据源头的地方进行实时预处理C.替代云计算D.仅用于小规模数据处理答案：B17.数据脱敏技术中，“将身份证号的中间几位替换为”属于？A.匿名化B.去标识化C.加密D.泛化答案：D18.以下哪种算法属于无监督学习？A.逻辑回归B.K-means聚类C.决策树D.支持向量机（SVM）答案：B19.大数据时代，“数据主权”主要指？A.个人对自身数据的控制权B.企业对业务数据的所有权C.国家对境内数据的管理权限D.平台对用户数据的支配权答案：C20.用于评估分类模型性能的指标“F1分数”是？A.精确率与召回率的调和平均数B.准确率与错误率的差值C.真阳性率与假阳性率的比值D.模型训练时间与预测时间的比率答案：A二、多项选择题（每题3分，共30分）1.大数据的关键技术体系包括？A.数据采集与整合B.分布式存储与管理C.实时与离线计算D.可视化与应用开发答案：ABCD2.下列属于NoSQL数据库特点的有？A.支持ACID事务B.灵活的模式（Schema-less）C.横向扩展能力强D.适用于结构化数据查询答案：BC3.数据清洗的主要任务包括？A.处理缺失值（如删除、插补）B.纠正错误数据（如年龄为200岁）C.合并重复记录D.转换数据格式（如日期“2025/3/15”转为“2025-03-15”）答案：ABCD4.大数据在智慧城市中的应用场景包括？A.交通拥堵预测与信号灯优化B.垃圾清运路线智能规划C.公共安全事件实时预警D.居民健康档案动态管理答案：ABCD5.隐私计算技术包括？A.联邦学习B.安全多方计算（MPC）C.同态加密D.数据脱敏答案：ABCD6.影响大数据价值挖掘的主要因素有？A.数据质量（完整性、准确性）B.分析工具的选择C.业务场景的匹配度D.数据量的绝对大小答案：ABC7.分布式计算框架Hadoop的组件包括？A.HDFS（分布式文件系统）B.YARN（资源管理系统）C.MapReduce（计算框架）D.Spark（内存计算框架）答案：ABC8.数据可视化的设计原则包括？A.清晰传达核心信息B.避免冗余图表元素C.适配目标用户的认知水平D.优先使用3D效果提升美观度答案：ABC9.大数据伦理需要关注的问题有？A.数据收集的知情同意B.算法偏见的公平性C.数据泄露的安全风险D.数据垄断对市场竞争的影响答案：ABCD10.机器学习中，特征工程的主要步骤包括？A.特征提取（从原始数据中构造新特征）B.特征选择（筛选关键特征）C.特征缩放（如归一化、标准化）D.特征可视化（分析特征分布）答案：ABCD三、判断题（每题2分，共20分）1.大数据的“高速”特征仅指数据提供速度快，与处理速度无关。（×）2.HBase是基于HDFS的列式数据库，适合实时读写场景。（√）3.数据仓库（DataWarehouse）主要用于支持OLTP（在线事务处理）。（×）4.数据可视化的核心是“美观优先”，信息准确性可适当让步。（×）5.机器学习模型训练中，训练集用于调整模型参数，测试集用于评估模型泛化能力。（√）6.边缘计算会增加数据传输到云端的延迟，因此不适合实时场景。（×）7.数据脱敏后，数据无法通过任何方式恢复原始信息，因此绝对安全。（×）8.关联分析（如“啤酒与尿布”）属于监督学习任务。（×）9.大数据时代，“样本=总体”的理念意味着不需要考虑数据抽样。（×）10.算法审计的目的是检查算法是否存在偏见或歧视性结果。（√）四、简答题（每题5分，共20分）1.简述大数据与传统数据处理的主要区别。答案：传统数据处理以结构化数据为主，数据量较小（GB级以下），处理方式多为关系型数据库的OLTP或简单报表分析，实时性要求低；大数据处理涵盖结构化、半结构化、非结构化数据（TB级以上），依赖分布式存储与计算框架（如Hadoop、Spark），强调实时/准实时处理（如秒级响应），核心目标是从海量低价值密度数据中挖掘隐含规律。2.数据清洗的主要步骤有哪些？答案：（1）识别数据问题：通过统计分析、可视化检查缺失值、异常值、重复值、格式错误等；（2）处理缺失值：根据业务场景选择删除记录、均值/中位数插补、模型预测插补等；（3）纠正异常值：通过上下界截断、转换变量（如取对数）或标注异常；（4）去重：合并或删除重复记录；（5）格式标准化：统一日期、数值、文本等格式（如“2025年3月”转为“2025-03”）；（6）验证清洗效果：对比清洗前后数据分布，确保业务逻辑合理性。3.什么是“数据孤岛”？如何解决？答案：数据孤岛指不同系统、部门或组织间的数据无法共享，形成孤立的“信息烟囱”。解决措施包括：（1）建立统一的数据标准（如元数据规范、接口协议）；（2）构建数据中台或湖仓一体架构，整合多源数据；（3）采用联邦学习等隐私计算技术，在不转移数据的前提下实现联合分析；（4）推动跨部门协作机制，制定数据共享政策。4.简述大数据在精准营销中的应用逻辑。答案：（1）数据采集：通过电商平台、社交媒体、会员系统等收集用户基本信息、行为数据（浏览、购买、收藏）、社交数据等；（2）数据清洗与整合：处理缺失值、去重，将多源数据关联为用户画像；（3）特征工程：提取用户偏好（如高频购买品类）、消费能力（客单价）、活跃度（登录频率）等特征；（4）模型构建：使用聚类算法（如K-means）划分用户群体，或用分类算法（如逻辑回归）预测购买概率；（5）精准触达：针对高价值用户推送个性化优惠券、针对潜在流失用户发送召回短信，提升营销转化率。五、案例分析题（共20分）某城市为优化公共交通服务，建设了交通大数据平台，整合了公交GPS轨迹、地铁闸机进出数据、共享单车骑行记录、道路摄像头车流数据。平台运行中遇到以下问题：（1）数据来源多样，格式不统一（如公交数据为CSV，地铁数据为JSON，摄像头数据为二进制图片）；（2）部分数据存在缺失（如雨天GPS信号弱导致轨迹中断）；（3）市民担心个人出行数据被滥用（如通过地铁闸机数据推断居住地址）。问题1：针对数据格式不统一问题，应采取哪些技术措施？（8分）问题2：如何处理轨迹数据缺失问题？请给出至少3种方法。（6分）问题3：为保障市民隐私，可采用哪些数据保护策略？（6分）答案要点：问题1：（1）建立元数据管理系统，定义各数据源的字段含义、格式规范（如时间戳统一为“yyyy-MM-ddHH:mm:ss”）；（2）使用ETL工具（如ApacheNiFi）进行数据转换，将非结构化/半结构化数据（如图像、JSON）解析为结构化表格；（3）构建数据湖存储原始数据，通过Hive或SparkSQL建立统一的元数据视图，实现跨格式查询；（4）对摄像头图片数据，采用OCR技术提取车牌、车型等结构化信息，与其他数据关联。问题2：（1）插值法：根据前后时间点的GPS坐标，通过线性插值补充缺失轨迹点；（2）模式填充：分析该公交路线的历史轨迹，用同时间段的平均位置填充缺失值；（3）删除法：若缺失轨迹占比小于5%，直接删