云南省2026大数据公司秋招统招笔试题及答案大全

云南省2026大数据公司秋招统招笔试题及答案大全

一、单项选择题（共10题，每题2分）1.HDFS默认的块大小是？A.64MBB.128MBC.256MBD.512MB2.SparkRDD的特性不包括？A.不可变B.惰性计算C.支持分区D.可直接修改3.关系型数据库的核心特性是？A.高扩展性B.ACIDC.灵活模式D.非结构化存储4.以下适合用NoSQL的场景是？A.银行转账B.用户行为日志C.财务报表D.订单管理5.数据清洗中处理噪声数据的常用方法是？A.删除记录B.插值法C.分箱法D.忽略6.MapReduce的核心阶段是？A.输入B.shuffleC.输出D.存储7.Kafka的主要用途是？A.数据存储B.实时计算C.消息队列D.机器学习8.数据湖与数据仓库的主要区别是？A.存储结构B.数据量C.实时性D.安全性9.机器学习中防止过拟合的方法不包括？A.增加正则化B.减少特征C.增加数据D.降低模型复杂度10.HBase的数据模型是？A.行存储B.列存储C.键值存储D.文档存储二、填空题（共10题，每题2分）1.Hadoop生态的三大核心组件是HDFS、YARN和______。2.Spark的两种常见部署模式是Standalone和______。3.关系型数据库中，______约束要求字段值唯一且非空。4.Kafka的消息主题（Topic）被划分为多个______以实现分布式存储。5.数据清洗中，处理缺失值的常用方法有删除法和______。6.分布式系统的CAP理论指的是一致性、可用性和______。7.HBase的行键在存储时是按______顺序排列的。8.数据仓库的四个基本特性是面向主题、集成性、稳定性和______。9.MapReduce的shuffle阶段主要完成数据的______和排序。10.监督学习的典型任务包括分类和______。三、判断题（共10题，每题2分）1.HDFS适合存储大量小文件。（）2.SparkRDD是不可变的分布式数据集。（）3.关系型数据库适合处理高并发事务操作。（）4.NoSQL数据库严格遵循ACID特性。（）5.数据清洗仅需处理缺失值问题。（）6.MapReduce是实时数据处理框架。（）7.Kafka主要用于实现高吞吐量的消息队列。（）8.数据湖主要存储结构化数据。（）9.模型过拟合通常是由于模型复杂度过低导致的。（）10.HBase是典型的列存储数据库。（）四、简答题（共4题，每题5分）1.简述Hadoop生态中HDFS、YARN、MapReduce的核心作用。2.说明SparkRDD的特性及其在大数据处理中的优势。3.对比关系型数据库（如MySQL）与NoSQL数据库（如MongoDB）的主要区别。4.数据清洗的主要步骤和常用方法有哪些？五、讨论题（共4题，每题5分）1.大数据项目中数据质量的重要性体现在哪些方面？可通过哪些策略提升数据质量？2.结合具体业务场景，说明选择Hadoop（MapReduce）或Spark作为计算框架的依据。3.数据仓库与数据湖的适用场景有何不同？举例说明。4.简述机器学习模型在大数据分析中的应用流程，并说明关键注意事项。答案及解析一、单项选择题1.B（HDFS默认块大小为128MB）2.D（RDD不可直接修改）3.B（关系型数据库核心是ACID）4.B（NoSQL适合非结构化、高并发场景如用户日志）5.C（分箱法是处理噪声的常用方法）6.B（shuffle是MapReduce核心阶段）7.C（Kafka是消息队列）8.A（数据湖存储多格式，数据仓库结构化）9.B（减少特征可能缓解过拟合，非“不包括”）10.B（HBase是列存储数据库）二、填空题1.MapReduce2.YARN3.主键4.分区5.插补法6.分区容忍性7.字典8.时变性9.分组10.回归三、判断题1.×（HDFS不适合小文件）2.√（RDD不可变）3.√（关系型数据库支持事务）4.×（NoSQL弱化ACID）5.×（数据清洗需处理多种问题）6.×（MapReduce是离线计算）7.√（Kafka是高吞吐消息队列）8.×（数据湖存储多格式数据）9.×（过拟合因模型复杂度过高）10.√（HBase是列存储）四、简答题1.HDFS负责海量数据存储（多副本可靠）；YARN管理集群资源调度；MapReduce分解任务为Map和Reduce阶段，实现并行计算。2.RDD特性：不可变、分区、容错、惰性计算。优势：内存计算速度快、操作灵活、自动容错。3.关系型数据库：表结构、SQL查询、ACID、适合事务（如订单）；NoSQL：灵活模式、高扩展、弱化ACID、适合非结构化数据（如日志）。4.步骤：识别问题（缺失、噪声等）→处理缺失（删除/插补）→修正噪声（分箱/回归）→去重→解决不一致。方法：插值法、分箱法、正则校验、去重算法。五、讨论题1.重要性：影响分析准确性、决策可靠性、系统效率。策略：建立质量指标、ETL校验、元数据管理、定期审计、业务端规范。2.离线批量处理（如日志分析）选Hadoop（高吞吐、容错）；迭代/实时计算（如推荐系统）选Spark（内存计算快）。例：离线用户画像用Hadoop，实时推荐用Spark。3.数据仓