2026年数据分析师面试数据仓库与Hive基础

2026年数据分析师面试数据仓库与Hive基础一、单选题（共10题，每题2分）1.在数据仓库设计中，以下哪一项不属于星型模型的核心组成部分？A.事实表B.维度表C.聚集表D.雪花表2.Hive中，以下哪种文件类型最适合存储结构化数据？A.TextFileB.ORCFileC.SequenceFileD.AvroFile3.在Hive中，使用`GROUPBY`子句时，若未指定`GROUPBY`列，默认行为是什么？A.报错B.将所有行聚合为单条记录C.按所有列分组D.忽略分组操作4.HiveQL中，如何将字符串类型的日期字段转换为日期类型？A.`CAST(date_columnASDATE)`B.`TO_DATE(date_column,'yyyy-MM-dd')`C.`STR_TO_DATE(date_column,'yyyy-MM-dd')`D.以上均可5.在数据仓库中，以下哪项指标最能反映数据质量？A.数据量B.数据完整性C.数据存储成本D.数据更新频率6.Hive中，`partition`和`bucket`的区别是什么？A.`partition`支持按范围分区，`bucket`支持按哈希分区B.`partition`适用于大表，`bucket`适用于小表C.`partition`是物理分区，`bucket`是逻辑分区D.以上均正确7.在数据仓库中，以下哪种模型最适合快速查询和报表分析？A.数据湖B.数据集市C.雪花模型D.无模式模型8.Hive中，`ORDERBY`和`SORTBY`的区别是什么？A.`ORDERBY`支持多列排序，`SORTBY`不支持B.`ORDERBY`使用全局排序，`SORTBY`使用分区排序C.`ORDERBY`效率更高，`SORTBY`效率更低D.以上均错误9.在数据仓库设计中，以下哪种方法最适合提高查询性能？A.增加数据冗余B.优化索引C.减少数据量D.降低数据精度10.Hive中，如何查看当前数据库中的所有表？A.`SHOWTABLES;`B.`DESCRIBEDATABASE;`C.`SHOWDATABASES;`D.`DESCRIBETABLE;`二、多选题（共5题，每题3分）1.数据仓库的典型特征包括哪些？A.数据主题性B.数据稳定性C.数据冗余性D.数据时间序列性2.Hive中，以下哪些函数可用于字符串处理？A.`SUBSTRING`B.`REPLACE`C.`CONCAT`D.`CAST`3.在数据仓库中，以下哪些方法可用于数据清洗？A.去重B.缺失值填充C.异常值检测D.数据类型转换4.Hive中，以下哪些操作会触发数据倾斜？A.大表join小表B.多个任务同时写入同一表C.使用非分区表D.哈希桶数量过少5.数据仓库的分层架构通常包括哪些层次？A.源层数据B.指标层C.数据明细层D.数据集市层三、判断题（共10题，每题1分）1.数据仓库中的数据是动态变化的，会频繁更新。（×）2.Hive的`GROUPBY`操作默认使用哈希聚合。（√）3.数据湖是结构化的数据存储，而数据仓库是非结构化的。（×）4.Hive中的`ClouderaManager`是用于管理Hive集群的运维工具。（√）5.数据仓库中的维度表通常是宽表，包含大量列。（√）6.Hive的`ORC`文件格式比`TextFile`更高效，但存储成本更高。（√）7.数据仓库的ETL过程通常包括抽取、转换、加载三个步骤。（√）8.Hive中的`partition`会占用更多存储空间，但查询性能更好。（√）9.数据仓库中的数据更新频率通常低于数据湖。（√）10.Hive的`bucket`操作可以提高join性能，但需要预先设置桶数量。（√）四、简答题（共5题，每题5分）1.简述数据仓库与数据湖的区别。2.解释Hive中`GROUPBY`和`ORDERBY`的区别。3.描述Hive中`partition`的作用及优缺点。4.如何优化Hive查询性能？5.数据仓库中的数据清洗有哪些常见方法？五、综合题（共2题，每题10分）1.某电商平台的数据仓库采用星型模型，其中事实表为`sales`，维度表包括`date_dim`、`product_dim`、`user_dim`。请写出以下查询的HiveQL语句：-查询2023年1月各产品的销售额。-查询每个用户的月消费金额。2.假设有一个Hive表`user_logs`，字段包括`user_id`、`action_time`、`action_type`，其中`action_type`为字符串类型，包含`login`、`purchase`、`logout`等值。请写出以下HiveQL语句：-统计每个用户的登录次数和购买次数。-查询2023年每天的总购买次数。答案与解析一、单选题1.D解析：星型模型的核心是事实表和维度表，聚集表和雪花表属于扩展模型或优化手段。2.B解析：ORC文件格式支持列式存储和压缩，适合结构化数据。3.A解析：未指定`GROUPBY`列时，Hive会报错。4.D解析：`CAST`、`TO_DATE`、`STR_TO_DATE`均可用于日期转换，需根据实际格式选择。5.B解析：数据完整性是数据质量的核心指标，其他选项是辅助指标。6.A解析：`partition`按范围分区，`bucket`按哈希分区。7.B解析：数据集市适合快速查询和报表分析，星型模型是其典型实现。8.B解析：`ORDERBY`全局排序，`SORTBY`分区排序。9.B解析：优化索引是提高查询性能的有效方法。10.A解析：`SHOWTABLES;`用于查看当前数据库的表。二、多选题1.A、B、D解析：数据仓库主题性、稳定性、时间序列性是典型特征，数据冗余性不属于。2.A、B、C解析：`CAST`用于类型转换，不属于字符串处理。3.A、B、C、D解析：数据清洗包括去重、缺失值填充、异常值检测、类型转换等。4.A、B、D解析：小表join大表、多任务写入、桶数量过少都会导致数据倾斜。5.B、C、D解析：指标层通常不作为核心层次。三、判断题1.×解析：数据仓库数据相对稳定，主要用于分析，不频繁更新。2.√解析：Hive默认使用哈希聚合。3.×解析：数据湖存储非结构化数据，数据仓库存储结构化数据。4.√解析：ClouderaManager是Hive集群管理工具。5.√解析：维度表通常是宽表，包含大量描述性列。6.√解析：ORC文件高效但存储成本较高。7.√解析：ETL是数据仓库的标准流程。8.√解析：`partition`提高查询性能但占用更多空间。9.√解析：数据仓库更新频率低于数据湖。10.√解析：`bucket`需要预先设置桶数量。四、简答题1.数据仓库与数据湖的区别-数据仓库：结构化数据存储，用于主题分析和报表，数据稳定、更新频率低。-数据湖：非结构化数据存储，用于原始数据积累，数据动态变化、更新频率高。2.`GROUPBY`和`ORDERBY`的区别-`GROUPBY`：按指定列聚合数据，返回聚合结果。-`ORDERBY`：全局排序，所有数据按指定列排序。-`SORTBY`：分区排序，每个分区内排序。3.`partition`的作用及优缺点-作用：按范围分区，提高查询性能。-优点：查询效率高，存储优化。-缺点：占用更多存储空间，管理复杂。4.优化Hive查询性能的方法-使用ORC/Parquet文件格式。-建立索引（部分版本支持）。-合理分区和桶。-调整内存和并行度。5.数据清洗方法-去重、缺失值填充、异常值检测、数据类型转换、标准化。五、综合题1.HiveQL查询语句-查询2023年1月各产品的销售额：sqlSELECTproduct_duct_name,SUM(sales.amount)AStotal_salesFROMsalesJOINproduct_dimONduct_id=product_duct_idJOINdate_dimONsales.date_id=date_dim.date_idWHEREdate_dim.year=2023ANDdate_dim.month=1GROUPBYproduct_duct_name;-查询每个用户的月消费金额：sqlSELECTuser_dim.user_name,SUM(sales.amount)ASmonthly_spendingFROMsalesJOINuser_dimONsales.user_id=user_dim.user_idJOINdate_dimONsales.date_id=date_dim.date_idWHEREdate_dim.year=2023ANDdate_dim.month=1GROUPBYuser_dim.user_name;2.HiveQL查询语句-统计每个用户的登录次数和购买次数：sqlSELECTuser_id,SUM(CASEWHENaction_type='login'THEN1ELSE0END)ASlogin_count,SUM(CASEWHENaction_type='purchase'THEN1ELSE0END)ASpurchase_countFROMuser_logsWHEREaction_timeBETWEEN'2023-01-01'AND'2023-12-31'GROUPBYuser_id;-查询2023年每天的总购买次数：sqlSELECTdate_dim.date_id,COUNT