2025年秋季江苏钟吾大数据发展集团有限公司（第二批次）招聘笔试历年典型考点题库附带答案详解

2025年秋季江苏钟吾大数据发展集团有限公司（第二批次）招聘笔试历年典型考点题库附带答案详解一、单项选择题下列各题只有一个正确答案，请选出最恰当的选项（共30题）1、在大数据处理框架中，以下哪项技术属于分布式存储的核心组件？A.ApacheSparkB.ApacheKafkaC.HDFSD.ApacheFlink2、关于数据仓库与数据库的区别，以下说法正确的是？A.数据仓库面向事务处理，数据库面向分析B.数据仓库数据为只读，数据库支持增删改查C.数据仓库存储当前数据，数据库存储历史数据D.数据仓库使用OLAP，数据库使用OLTP3、在数据预处理阶段，以下哪种方法可用于处理缺失值？A.标准化B.独热编码C.插值法D.特征缩放4、以下哪种数据可视化图表适用于展示时间序列趋势？A.散点图B.热力图C.折线图D.箱线图5、在设计数据模型时，第三范式（3NF）要求消除？A.重复数据组B.部分函数依赖C.传递函数依赖D.主键冗余6、在计算机网络中，提供HTTP服务的默认端口号是？A.21B.25C.80D.4437、在Hadoop生态系统中，以下哪个是默认的存储单位？A.数据块（Block）B.文件块（FileChunk）C.数据页（Page）D.数据帧（Frame）8、SQL语句中，以下哪个函数用于统计行数？A.SUM()B.AVG()C.COUNT()D.MIN()9、Python中，以下哪种数据类型是可变的？A.元组（Tuple）B.字符串（String）C.列表（List）D.数字（Integer）10、MapReduce的核心思想是将任务分为两个阶段，以下描述正确的是？A.映射（Map）和规约（Reduce）B.分区（Split）和排序（Sort）C.采样（Sample）和聚合（Aggregate）D.分发（Distribute）和执行（Execute）11、数据库事务的ACID特性中，隔离性（Isolation）主要解决的问题是？A.数据一致性B.避免脏读、不可重复读C.数据持久化D.操作原子性12、以下哪种工具常用于大数据可视化？A.EclipseB.TableauC.PyCharmD.Navicat13、线性回归模型中，若自变量系数为负，说明该变量与因变量的关系是？A.正相关B.负相关C.无相关性D.非线性相关14、Spark中，以下哪个组件负责任务调度和资源分配？A.RDDB.DAGSchedulerC.ExecutorD.Driver15、K-means聚类算法属于？A.有监督学习B.无监督学习C.半监督学习D.强化学习16、数据清洗过程中，处理缺失值的常用方法不包括？A.删除缺失行B.填充平均值C.随机删除特征D.使用模型预测填充17、在大数据分析中，以下哪种技术主要用于将非结构化数据转化为结构化数据？

A.数据清洗

B.数据分类

C.数据标注

D.数据归一化18、Hadoop生态系统中，负责分布式存储的核心组件是？

A.YARN

B.MapReduce

C.HDFS

D.Hive19、以下哪种算法属于无监督学习中的聚类方法？

A.决策树

B.支持向量机

C.K-Means

D.逻辑回归20、在数据可视化中，若需展示某地区人口年龄分布比例，最合适的图表是？

A.折线图

B.散点图

C.饼图

D.热力图21、以下关于数据仓库与数据库的描述，正确的是？

A.数据库支持实时事务处理，数据仓库用于历史数据分析

B.数据库存储结构化数据，数据仓库存储非结构化数据

C.数据库写入频繁，数据仓库仅支持读取操作

D.数据库面向业务操作，数据仓库面向业务决策22、以下哪种数据存储结构在查询时效率最高？

A.哈希表

B.链表

C.二叉树

D.数组23、在数据预处理阶段，去除异常值最常用的方法是？

A.正则化

B.箱线图分析

C.主成分分析

D.独热编码24、以下哪种编程语言最适合Spark分布式计算框架？

A.Python

B.R

C.Scala

D.Java25、数据安全领域中，以下哪种技术可确保数据传输过程中的机密性？

A.数据脱敏

B.数据加密

C.数据备份

D.数据压缩26、在统计学中，以下哪种方法用于检验两个分类变量是否独立？

A.t检验

B.方差分析

C.卡方检验

D.相关系数27、某算法时间复杂度为O(n²)，当n=10时运行时间为1秒，当n=100时理论运行时间是（）A.10秒B.100秒C.1000秒D.无法确定28、在关系型数据库中，建立索引的最主要目的是（）A.节省存储空间B.提高查询速度C.增强数据安全性D.简化表结构29、Hadoop框架的核心组件包括（）A.HDFS和MapReduceB.HDFS和HiveC.MapReduce和HBaseD.YARN和Spark30、以下关于MapReduce模型的描述正确的是（）A.必须包含Map和Reduce两个阶段B.中间键值对无需排序C.支持实时数据处理D.适合迭代计算任务二、多项选择题下列各题有多个正确答案，请选出所有正确选项（共15题）31、以下哪些属于数据可视化工具？A.TableauB.PowerBIC.MatplotlibD.Hadoop32、数据清洗过程中，可能涉及以下哪些步骤？A.去除重复数据B.填补缺失值C.处理异常值D.数据标准化33、数据库事务的ACID特性包含哪些？A.原子性B.一致性C.隔离性D.持久性34、Hadoop分布式文件系统（HDFS）的组成部分包括？A.NameNodeB.DataNodeC.SecondaryNameNodeD.TaskTracker35、数据挖掘方法包括以下哪些？A.分类B.聚类C.关联规则分析D.回归分析36、以下Python库可用于数据分析的是？A.NumPyB.PandasC.MatplotlibD.Scikit-learn37、数据仓库的特征包括？A.面向主题B.集成性C.易失性D.时变性38、数据库索引的主要作用是？A.提高查询速度B.降低存储空间占用C.加速排序操作D.影响插入效率39、线性回归模型的基本假设包括？A.线性关系B.误差项服从正态分布C.异方差性D.独立性40、数据治理的核心要素包括？A.数据标准B.数据质量C.数据安全D.元数据管理41、某数据处理系统需对海量日志进行实时分析，以下技术方案适用的有：A.ApacheKafkaB.ApacheStormC.MySQLD.ApacheSparkStreaming42、关于数据脱敏技术的描述，正确的有：A.动态脱敏需修改原始数据B.静态脱敏适用于非生产环境C.脱敏规则应与业务场景匹配D.加密字段不可逆属于静态脱敏43、以下属于非关系型数据库特点的有：A.支持水平扩展B.固定表结构C.弱一致性D.高并发读写44、数据挖掘中的关联规则分析可用于：A.用户行为预测B.商品推荐C.异常检测D.文本分类45、Hadoop生态系统中，负责分布式存储的组件包括：A.MapReduceB.HDFSC.YARND.ZooKeeper三、判断题判断下列说法是否正确（共10题）46、数据清洗过程中，删除缺失值是唯一有效的处理异常数据的方法。正确/错误47、Hadoop生态系统中，HDFS组件负责分布式数据存储，而MapReduce负责任务调度与资源分配。正确/错误48、根据《中华人民共和国数据安全法》，任何组织和个人均可自由采集、交易和传输数据。正确/错误49、在统计学中，样本的方差越大，说明数据分布的离散程度越高，数据质量越不稳定。正确/错误50、数据可视化中，饼图适用于展示多类别占比，且类别数量越多越能清晰表达数据特征。正确/错误51、数据仓库设计中，星型模式通过事实表与维度表关联，但无法支持复杂的多维分析需求。正确/错误52、大数据计算中，流式处理技术（如ApacheFlink）适用于需要低延迟响应的实时数据分析场景。正确/错误53、在机器学习中，过拟合表现为模型在训练集表现优异，但测试集准确率显著下降。正确/错误54、根据2025年政策规划，江苏省智慧城市建设项目必须完全依赖国产化数据库存储核心数据。正确/错误55、数据湖与传统数据仓库的核心区别在于，数据湖仅能存储结构化数据，且需预定义Schema。正确/错误

参考答案及解析1.【参考答案】C【解析】HDFS（HadoopDistributedFileSystem）是Hadoop生态的核心存储系统，采用分布式架构实现海量数据存储。Spark和Flink属于流式计算框架，Kafka是消息队列系统，均不直接负责底层数据存储。

2.【题干】根据《个人信息保护法》，以下哪种情形无需取得个人同意？

【选项】A.处理敏感个人信息B.向第三方提供个人信息C.处理已公开的个人信息D.收集未成年人个人信息

【参考答案】C

【解析】根据《个人信息保护法》第13条，处理已公开的个人信息且未超出公开范围时，可无需重新取得同意。敏感信息、未成年人信息及第三方共享均需单独授权。

3.【题干】在数据挖掘中，以下哪种算法适用于关联规则分析？

【选项】A.K-meansB.AprioriC.决策树D.朴素贝叶斯

【参考答案】B

【解析】Apriori算法通过发现频繁项集挖掘事物间关联关系，常用于购物篮分析。K-means用于聚类，决策树和朴素贝叶斯用于分类任务。2.【参考答案】D【解析】数据仓库采用OLAP（联机分析处理）支持复杂查询分析，数据库使用OLTP（联机事务处理）处理高并发交易。两者的数据生命周期和操作类型存在本质差异。

5.【题干】下列哪项技术可提升大数据集群的容错能力？

【选项】A.数据分片B.副本机制C.负载均衡D.压缩算法

【参考答案】B

【解析】副本机制通过保存数据多份拷贝防止节点故障导致的数据丢失，HDFS默认3副本策略即为此例。分片提升读写效率，负载均衡优化资源利用，压缩算法减少存储空间。3.【参考答案】C【解析】插值法（如线性插值、多项式插值）可通过已有数据推测缺失值的合理范围。标准化、特征缩放属于数值转换，独热编码用于类别变量处理。

7.【题干】关于CAP定理，以下说法正确的是？

【选项】A.系统可同时满足强一致性、高可用性、分区容错性B.所有分布式系统均能实现分区容错性C.强一致性要求所有节点数据立即同步D.高可用性系统允许部分节点故障时仍正常服务

【参考答案】D

【解析】CAP定理指出分布式系统最多同时满足一致性（C）、可用性（A）、分区容错性（P）中的两项。CP系统（如HBase）保证一致性但牺牲可用性，AP系统（如Cassandra）优先可用性。4.【参考答案】C【解析】折线图通过折线连接各时间点数据，直观反映数值随时间变化的趋势。散点图展现变量相关性，热力图表示数据密度，箱线图展示数据分布离散程度。

9.【题干】大数据平台中，以下哪种组件用于实时流数据处理？

【选项】A.ApacheStormB.ApacheHiveC.ApacheSqoopD.ApacheHBase

【参考答案】A

【解析】Storm是低延迟流处理框架，适合实时计算场景。Hive为批处理工具，Sqoop实现数据迁移，HBase是分布式NoSQL数据库。5.【参考答案】C【解析】3NF要求非主属性不依赖于其他非主属性，消除传递依赖。1NF消除重复组，2NF解决部分依赖，BCNF进一步规范主属性间的依赖关系。6.【参考答案】C【解析】HTTP协议默认使用80端口进行通信，HTTPS协议使用443端口；21为FTP端口，25为SMTP端口。

2.【题干】下列数据结构中，平均查找时间复杂度最低的是？

【选项】A.顺序表B.二叉排序树C.哈希表D.二叉堆

【参考答案】C

【解析】哈希表通过哈希函数实现O(1)的平均查找时间，而二叉排序树平均为O(logn)，顺序表为O(n)，二叉堆不具备快速查找特性。

3.【题干】SQL语句中，用于对查询结果进行分组的关键词是？

【选项】A.WHEREB.GROUPBYC.ORDERBYD.HAVING

【参考答案】B

【解析】GROUPBY子句用于将结果集按一个或多个列分组，WHERE筛选行，ORDERBY排序，HAVING过滤分组。

4.【题干】大数据处理框架Hadoop的核心组件不包括？

【选项】A.HDFSB.MapReduceC.YARND.Spark

【参考答案】D

【解析】Hadoop由HDFS（分布式存储）、MapReduce（计算）、YARN（资源调度）组成；Spark是独立的大数据处理框架。

5.【题干】关系数据库中，保证实体完整性的约束是？

【选项】A.主键约束B.外键约束C.唯一约束D.检查约束

【参考答案】A

【解析】主键约束确保每行数据唯一且非空，外键约束关联表间数据，唯一约束允许空值但不可重复。

6.【题干】Python中，列表推导式[i**2foriinrange(3)]的输出结果是？

【选项】A.[0,1,2]B.[1,4,9]C.[0,1,4]D.[1,2,3]

【参考答案】C

【解析】range(3)生成0、1、2三个数，平方后依次为0²=0、1²=1、2²=4，正确结果为[0,1,4]。

7.【题干】数据仓库与数据库的主要区别在于？

【选项】A.存储容量大小B.数据实时性C.面向主题分析D.支持事务处理

【参考答案】C

【解析】数据仓库面向主题分析存储历史数据，数据库面向事务处理实时数据；两者在存储容量、实时性方面无本质区别。

8.【题干】云计算服务模式中，提供基础设施即服务的是？

【选项】A.SaaSB.PaaSC.IaaSD.DaaS

【参考答案】C

【解析】IaaS（基础设施即服务）提供虚拟机、存储等底层资源；PaaS提供开发环境，SaaS提供应用程序，DaaS为数据即服务。

9.【题干】数据挖掘中，关联规则分析的经典算法是？

【选项】A.K-meansB.AprioriC.决策树D.PageRank

【参考答案】B

【解析】Apriori算法用于挖掘频繁项集生成关联规则；K-means用于聚类，决策树用于分类，PageRank用于网页排序。

10.【题干】信息安全领域，AES-256算法的密钥长度为？

【选项】A.128位B.192位C.256位D.512位

【参考答案】C

【解析】AES支持128、192、256位密钥长度，AES-256特指256位密钥版本，加密强度最高。7.【参考答案】A【解析】Hadoop的HDFS默认以64MB/128MB为数据块（Block）进行存储，是其最小存储单元。数据块是物理存储单位，其他选项为数据库或网络协议概念。8.【参考答案】C【解析】COUNT()函数用于统计符合条件的行数，常用于聚合查询。SUM()计算总和，AVG()求平均值，MIN()取最小值，均不满足题意。9.【参考答案】C【解析】列表（List）支持增删改元素，是可变类型。元组、字符串和数字均为不可变类型，修改需生成新对象。10.【参考答案】A【解析】MapReduce通过Map阶段拆分任务，Reduce阶段合并结果，实现“分而治之”。其他选项为辅助步骤，非核心阶段。11.【参考答案】B【解析】隔离性确保事务并发执行时数据状态正确，用于防止脏读、可重复读、幻读等问题。其他选项分别对应一致性、持久性、原子性。12.【参考答案】B【解析】Tableau是专业数据可视化工具，支持大数据交互式展示。Eclipse和PyCharm为开发工具，Navicat是数据库管理工具。13.【参考答案】B【解析】线性回归系数表示变量影响方向，负系数代表因变量随自变量增加而减少，即负相关。正相关需系数为正。14.【参考答案】B【解析】DAGScheduler将任务分解为有向无环图（DAG）并调度执行，负责Stage划分。Executor负责执行，Driver管理任务，RDD为数据结构。15.【参考答案】B【解析】K-means无需标签数据，通过距离划分簇，属于典型的无监督学习。有监督学习需标注数据，如回归、分类。16.【参考答案】C【解析】数据清洗应尽量保留有效信息，缺失值常用删除、填充（均值/中位数/众数）或模型预测。随机删除特征会丢失数据特征，不科学。17.【参考答案】C【解析】数据标注通过人工或自动化手段为非结构化数据（如文本、图像）添加标签，使其转化为可被机器学习模型识别的结构化数据。数据清洗用于去除噪声，数据分类是分析后的结果，数据归一化属于标准化处理范畴。18.【参考答案】C【解析】HDFS（HadoopDistributedFileSystem）是Hadoop的分布式文件存储系统，解决海量数据的存储问题。YARN负责资源调度，MapReduce是计算框架，Hive用于类SQL查询。19.【参考答案】C【解析】K-Means通过将数据划分为K个簇实现无监督聚类。其他选项均为监督学习算法，需依赖标注数据。20.【参考答案】C【解析】饼图能直观反映各年龄段占比，适合展示比例关系。折线图用于趋势分析，散点图显示变量相关性，热力图表现密度或强度分布。21.【参考答案】A【解析】数据仓库专为复杂查询和分析设计，存储历史数据；数据库则支持日常事务处理（OLTP），强调实时增删改查。D选项描述方向正确但表述绝对化，数据仓库也支持写入操作（如ETL数据更新）。22.【参考答案】A【解析】哈希表通过哈希函数实现O(1)时间复杂度的查询，链表和数组的查询复杂度为O(n)，二叉树（如平衡树）为O(logn)。23.【参考答案】B【解析】箱线图通过四分位数识别异常值区间（超出1.5倍四分位距），是统计学常用方法。正则化用于模型优化，主成分分析降低维度，独热编码处理分类变量。24.【参考答案】C【解析】Spark底层使用Scala编写，与JVM生态深度集成，Scala的函数式编程特性更适配Spark的RDD操作。Python通过PySpark调用，性能较Scala低。25.【参考答案】B【解析】数据加密（如SSL/TLS）通过加密算法防止中间人窃取数据内容。数据脱敏用于隐藏敏感信息，备份保障数据可用性，压缩减少存储空间。26.【参考答案】C【解析】卡方检验通过比较观测频数与期望频数，判断分类变量间是否存在关联。t检验用于均值差异分析，方差分析（ANOVA）针对多组连续数据，相关系数衡量数值变量线性关系。27.【参考答案】B【解析】O(n²)表示时间随n平方增长，100是10的10倍，故(100/10)²=100倍，1s×100=100秒。选项B正确。28.【参考答案】B【解析】索引通过创建数据结构的副本来加速数据检索，但会增加存储消耗（A错），与安全无关（C错），可能使结构更复杂（D错）。选B正确。29.【参考答案】A【解析】Hadoop1.0核心为HDFS（分布式文件系统）和MapReduce（计算框架），后续版本引入YARN作为资源调度器，Hive/HBase/Spark为生态组件。选A正确。30.【参考答案】A【解析】MapReduce强制分Map→Shuffle→Reduce流程，中间结果需按Key排序（B错），专为批处理设计（C错），迭代计算需多次任务启动效率低（D错）。选A正确。31.【参考答案】ABC【解析】Tableau、PowerBI和Matplotlib均为主流数据可视化工具，分别适用于商业分析、交互式可视化及Python编程绘图。Hadoop是分布式存储与计算框架，不属于可视化工具。32.【参考答案】ABC【解析】数据清洗包括处理重复值、缺失值和异常值，而数据标准化通常属于特征工程预处理阶段，非清洗核心步骤。33.【参考答案】ABCD【解析】ACID特性指原子性（操作不可分割）、一致性（数据状态合法）、隔离性（并发事务互不干扰）、持久性（提交后永久保存），均为事务核心要求。34.【参考答案】ABC【解析】HDFS由NameNode（管理元数据）、DataNode（存储数据块）、SecondaryNameNode（辅助合并元数据）构成。TaskTracker是MapReduce框架组件，负责任务执行。35.【参考答案】ABCD【解析】分类（预测类别）、聚类（分组相似数据）、关联规则（发现变量关系）、回归（预测数值）均为数据挖掘经典方法。36.【参考答案】ABCD【解析】NumPy（数值计算）、Pandas（数据清洗）、Matplotlib（可视化）、Scikit-learn（机器学习）均为数据分析常用库，功能互补。37.【参考答案】ABD【解析】数据仓库具有面向主题（按业务划分）、集成性（整合多源数据）、非易失性（仅追加更新）、时变性（存储历史数据）特征，C项错误。38.【参考答案】ACD【解析】索引通过有序结构提升查询和排序效率，但会占用额外存储空间并降低插入/更新速度，B项错误。39.【参考答案】ABD【解析】线性回归要求变量线性相关、误差服从正态分布且独立、同方差性（非异方差），C项错误。40.【参考答案】ABCD【解析】数据治理涵盖制定标准（统一定义）、保障质量（准确性核查）、安全管理（权限控制）、元数据管理（数据血缘与描述），均为关键要素。41.【参考答案】ABD【解析】Kafka用于实时数据流传输，Storm和SparkStreamin