2026年巢湖学院大数据考试试题及答案

2026年巢湖学院大数据考试试题及答案考试时长：120分钟满分：100分班级：__________姓名：__________学号：__________得分：__________一、单选题（总共10题，每题2分，总分20分）1.在大数据技术体系中，Hadoop的核心组件不包括以下哪一项？A.HDFSB.MapReduceC.SparkD.YARN2.下列哪种数据挖掘算法属于分类算法？A.K-Means聚类B.Apriori关联规则C.决策树D.KNN回归3.大数据“4V”特征中，不包括以下哪一项？A.速度（Velocity）B.容量（Volume）C.变异（Variety）D.可见性（Visibility）4.以下哪种技术不属于分布式存储系统？A.HDFSB.CassandraC.MongoDBD.Alluxio5.在Spark中，RDD的持久化级别从高到低排列正确的是？A.MemoryOnly→DiskOnly→OffB.Off→MemoryOnly→DiskOnlyC.MemoryAndDisk→MemoryOnly→OffD.Off→MemoryAndDisk→MemoryOnly6.以下哪种模型适用于处理非线性关系？A.线性回归B.逻辑回归C.支持向量机D.线性判别分析7.大数据ETL流程中，T代表的是？A.TransformB.TestC.TransferD.Target8.以下哪种数据库属于NoSQL数据库？A.MySQLB.PostgreSQLC.RedisD.Oracle9.在大数据分析中，K-Means算法的聚类结果对初始质心位置敏感，以下哪种方法可以缓解这一问题？A.K-MedoidsB.DBSCANC.HierarchicalClusteringD.Apriori10.以下哪种技术不属于数据清洗的范畴？A.缺失值处理B.数据集成C.数据变换D.数据规约二、填空题（总共10题，每题2分，总分20分）1.大数据技术栈中，__________是分布式计算框架的核心。2.数据挖掘的五大任务包括分类、聚类、关联规则、__________和异常检测。3.Hadoop生态系统中的__________负责数据调度和资源管理。4.Spark的RDD是__________的、不可变的分布式数据集。5.机器学习中的过拟合现象是指模型在训练数据上表现良好，但在__________数据上表现差。6.大数据存储系统中的__________技术可以提高数据的读写效率。7.数据仓库的典型架构是__________架构。8.逻辑回归模型输出的结果通常在__________之间。9.在大数据处理中，__________是一种常用的数据分区策略。10.数据分析中的假设检验通常基于__________原理。三、判断题（总共10题，每题2分，总分20分）1.Hadoop3.0版本开始支持多副本数据存储，提高了数据可靠性。（√）2.MapReduce模型中，Map阶段和Reduce阶段可以并行执行。（√）3.数据挖掘中的关联规则挖掘可以发现数据项之间的频繁项集。（√）4.Spark的DataFrame是RDD的升级版，支持更丰富的数据操作。（√）5.大数据中的“小数据”是指数据量较小的数据集。（×）6.KNN算法是一种无监督学习算法。（×）7.数据仓库中的OLTP操作通常用于实时数据查询。（×）8.机器学习中的交叉验证可以提高模型的泛化能力。（√）9.数据湖是存储原始数据的集中式存储库，不进行结构化处理。（√）10.数据分析中的A/B测试属于假设检验的一种应用。（√）四、简答题（总共4题，每题4分，总分16分）1.简述Hadoop生态系统的核心组件及其功能。2.解释大数据分析中数据清洗的主要步骤。3.比较Spark和HadoopMapReduce的优缺点。4.描述机器学习中过拟合和欠拟合的概念及其解决方法。五、应用题（总共4题，每题6分，总分24分）1.假设某电商平台需要分析用户购买行为数据，数据包含用户ID、商品ID、购买时间、商品价格四列。请设计一个ETL流程，包括数据抽取、转换和加载的步骤。2.某公司需要使用K-Means算法对用户数据进行聚类分析，数据包含年龄、收入两列。请简述聚类分析的具体步骤，并说明如何选择合适的聚类数量K值。3.假设某金融机构需要使用逻辑回归模型预测用户是否违约，数据包含用户年龄、收入、信用评分三列。请简述模型训练和评估的步骤。4.某电商公司需要分析用户评论数据，数据包含用户ID、评论内容、评论时间三列。请设计一个文本分析方案，包括数据预处理、特征提取和模型选择的步骤。【标准答案及解析】一、单选题1.C（Spark是独立的分布式计算框架，不属于Hadoop核心组件）2.C（决策树是分类算法，其余为聚类、关联规则、回归算法）3.D（4V特征为速度、容量、多样性、真实性，无可见性）4.C（MongoDB是文档型数据库，其余为分布式存储系统）5.C（MemoryAndDisk>MemoryOnly>Off）6.C（支持向量机适用于非线性关系，其余为线性模型）7.A（ETL中的T代表Transform，即数据转换）8.C（Redis是键值型NoSQL数据库，其余为关系型数据库）9.A（K-Medoids对初始质心不敏感，其余为其他聚类算法）10.B（数据集成属于数据预处理阶段，不属于数据清洗）二、填空题1.Hadoop2.回归3.YARN4.弹性5.测试6.缓存7.Kimball8.0到19.分区10.小概率三、判断题1.√2.√3.√4.√5.×（小数据指数据质量差，非数据量小）6.×（KNN是有监督学习算法）7.×（OLTP是实时操作，OLAP是分析操作）8.√9.√10.√四、简答题1.Hadoop生态系统的核心组件及其功能-HDFS：分布式文件系统，用于存储大数据。-MapReduce：分布式计算框架，用于处理大数据。-YARN：资源管理器，用于资源调度和任务管理。-Hive：数据仓库工具，提供SQL接口查询数据。-HBase：列式数据库，支持随机读写。-Spark：分布式计算框架，支持快速数据处理。2.数据清洗的主要步骤-缺失值处理：删除或填充缺失值。-数据集成：合并多个数据源的数据。-数据变换：规范化或归一化数据。-数据规约：减少数据量，如抽样或压缩。3.Spark和HadoopMapReduce的优缺点-Spark：-优点：支持内存计算，速度快；支持多种数据源；生态系统丰富。-缺点：内存消耗大，对硬件要求高。-HadoopMapReduce：-优点：成熟稳定，容错能力强。-缺点：速度慢，不适合迭代计算。4.过拟合和欠拟合的概念及其解决方法-过拟合：模型在训练数据上表现极好，但在测试数据上表现差。-解决方法：增加数据量、简化模型、正则化。-欠拟合：模型在训练数据和测试数据上都表现差。-解决方法：增加模型复杂度、特征工程、调整参数。五、应用题1.ETL流程设计-抽取（Extract）：从电商平台数据库中抽取用户购买行为数据。-转换（Transform）：清洗数据（如去除重复值）、转换时间格式、计算总消费等。-加载（Load）：将处理后的数据加载到数据仓库或数据湖中。2.K-Means聚类分析步骤-步骤1：选择聚类数量K值（如使用肘部法则）。-步骤2：随机初始化K个质心。-步骤3：将每个数据点分配到最近的质心。-步骤4：更新质心位