2026年福建事业单位考试大数据应用试题及答案

2026年福建事业单位考试大数据应用试题及答案一、单项选择题（共20题，每题1.5分，共30分）1.以下哪项不属于数据清洗的主要目的？A.纠正数据中的错误值B.填充缺失值C.减少数据维度D.统一数据格式答案：C（数据清洗主要解决数据质量问题，如错误、缺失、格式不一致等；减少数据维度属于特征选择或降维操作。）2.Hadoop分布式文件系统（HDFS）的核心设计目标是？A.支持小文件高效存储B.提供低延迟数据访问C.处理海量数据的可靠存储D.实现实时数据计算答案：C（HDFS通过多副本机制保证海量数据的可靠存储，设计时不针对小文件或低延迟场景。）3.数据仓库（DataWarehouse）与传统关系型数据库的本质区别在于？A.数据存储结构不同B.支持的查询类型不同C.数据来源的多样性D.面向分析而非事务答案：D（数据仓库面向主题、集成、非易失、随时间变化，核心是支持决策分析；数据库面向事务处理。）4.Spark中用于处理结构化数据的核心组件是？A.SparkCoreB.SparkSQLC.SparkStreamingD.MLlib答案：B（SparkSQL提供DataFrame和DatasetAPI，专门处理结构化数据。）5.K-means聚类算法的关键步骤是？A.计算样本与类中心的欧氏距离B.构建决策树划分数据C.计算特征之间的相关系数D.训练支持向量机分类器答案：A（K-means通过迭代更新类中心，基于距离度量划分数据。）6.数据可视化的核心目标是？A.展示数据的美观性B.帮助用户快速理解数据规律C.存储更多数据信息D.替代数据统计分析答案：B（可视化的本质是通过图形化手段提升数据理解效率。）7.ETL过程中“L”（Load）的主要任务是？A.从多个数据源抽取数据B.对数据进行清洗、转换C.将处理后的数据加载到目标库D.监控数据流动过程答案：C（ETL的Load阶段负责将清洗转换后的数据写入数据仓库或分析系统。）8.以下哪项属于关联规则挖掘的典型应用？A.预测用户下一次购买时间B.识别信用卡欺诈交易C.发现“啤酒与尿布”的购买关联D.对客户进行分群管理答案：C（关联规则挖掘关注数据项之间的频繁共现关系，如购物篮分析。）9.数据生命周期管理（DLM）的最后一个阶段通常是？A.数据采集B.数据归档C.数据使用D.数据销毁答案：D（数据生命周期一般包括提供、存储、使用、归档、销毁，销毁是最终阶段。）10.联邦学习（FederatedLearning）主要解决的问题是？A.提升分布式计算效率B.保护数据隐私的跨机构协作C.降低数据存储成本D.优化数据清洗流程答案：B（联邦学习通过本地训练模型、仅传输参数的方式，实现“数据不出域”的联合建模。）11.以下哪种数据存储技术适合实时写入、高频读取的场景？A.HDFSB.HBaseC.HiveD.MySQL答案：B（HBase基于HDFS，支持实时随机读写，适合高并发场景；HDFS适合批量存储，Hive是数据仓库工具，MySQL是关系型数据库。）12.特征工程中“独热编码”（One-HotEncoding）主要用于处理？A.连续型数值特征B.高维稀疏特征C.类别型特征D.时间序列特征答案：C（独热编码将类别特征转换为二进制向量，解决模型对类别值的量化问题。）13.以下哪项不属于大数据5V特征？A.Volume（大量）B.Velocity（高速）C.Value（价值）D.Variability（可变性）答案：D（大数据5V通常指Volume、Velocity、Variety、Veracity、Value，可变性非标准特征。）14.用于评估分类模型性能的指标“F1-score”是哪两个指标的调和平均？A.准确率（Accuracy）和召回率（Recall）B.精确率（Precision）和召回率（Recall）C.精确率（Precision）和准确率（Accuracy）D.召回率（Recall）和FPR（假正率）答案：B（F1-score=2(PR)/(P+R)，平衡精确率与召回率。）答案：B（F1-score=2(PR)/(P+R)，平衡精确率与召回率。）15.以下哪种分布式计算框架支持迭代计算（如机器学习训练）？A.MapReduceB.SparkC.StormD.Flink答案：B（Spark基于内存计算，适合迭代任务；MapReduce每次任务需读写磁盘，效率较低。）16.数据湖（DataLake）与数据仓库的主要区别在于？A.数据存储格式是否结构化B.数据处理的实时性C.数据的所有权归属D.数据的存储成本答案：A（数据湖存储原始、多格式数据（结构化/非结构化），数据仓库存储经过清洗、结构化的数据。）17.以下哪项属于非监督学习任务？A.预测房价（回归）B.垃圾邮件分类（分类）C.客户分群（聚类）D.图像识别（分类）答案：C（非监督学习无标签，聚类是典型任务；其他选项需标签训练。）18.用于处理时间序列数据的常用算法是？A.K-meansB.ARIMAC.SVMD.决策树答案：B（ARIMA（自回归积分滑动平均模型）是时间序列预测的经典方法。）19.数据脱敏技术中，“替换敏感信息为虚构但合理的值”属于？A.匿名化B.去标识化C.伪匿名化D.泛化答案：C（伪匿名化通过替换提供看似真实但无关联的数据，如将“身份证号”替换为“35010219900101XXXX”。）20.以下哪项是SparkRDD（弹性分布式数据集）的特性？A.不可变、可分区、支持容错B.可变、单副本、低延迟C.仅支持结构化数据D.仅用于内存存储答案：A（RDD是不可变的分布式数据集合，通过Lineage（血缘）实现容错，支持分区并行计算。）二、多项选择题（共10题，每题2分，共20分，少选、错选均不得分）1.大数据采集的常见方法包括？A.网络爬虫B.传感器数据采集C.数据库日志抽取D.用户埋点答案：ABCD（以上均为典型数据采集方式，覆盖互联网、物联网、业务系统等场景。）2.以下属于非结构化数据的是？A.微信聊天记录B.监控视频C.财务报表（Excel）D.微博图片答案：ABD（非结构化数据无固定格式，如文本、音视频、图片；Excel是结构化表格。）3.Hadoop生态中属于计算框架的工具有？A.HiveB.SparkC.FlinkD.HBase答案：BC（Spark和Flink是分布式计算框架；Hive是数据仓库工具（基于MapReduce），HBase是存储系统。）4.数据挖掘的主要任务包括？A.分类与回归B.聚类分析C.关联规则挖掘D.时间序列预测答案：ABCD（数据挖掘覆盖预测、描述、关联等多类任务。）5.数据质量的关键维度包括？A.准确性（Accuracy）B.完整性（Completeness）C.一致性（Consistency）D.及时性（Timeliness）答案：ABCD（数据质量通常从准确性、完整性、一致性、及时性、唯一性等维度评估。）6.以下属于分布式计算框架的有？A.MapReduceB.HDFSC.StormD.Kafka答案：AC（MapReduce是批处理框架，Storm是流处理框架；HDFS是存储，Kafka是消息队列。）7.数据安全的主要措施包括？A.数据加密（传输/存储）B.访问控制（权限管理）C.数据脱敏D.日志审计答案：ABCD（加密、权限、脱敏、审计是数据安全的核心手段。）8.以下适合用折线图展示的数据场景是？A.2020-2025年某市GDP变化趋势B.不同区域人口数量对比C.用户月均消费金额分布（正态分布）D.某产品日活跃用户数（DAU）波动答案：AD（折线图适合展示时间序列或连续变量的变化趋势；柱状图适合对比，直方图适合分布。）9.NoSQL数据库的常见类型包括？A.键值存储（如Redis）B.列族存储（如HBase）C.文档存储（如MongoDB）D.图存储（如Neo4j）答案：ABCD（NoSQL按数据模型分为键值、列族、文档、图等类型。）10.以下属于机器学习模型评估指标的是？A.RMSE（均方根误差）B.AUC-ROC（受试者工作特征曲线下面积）C.混淆矩阵（ConfusionMatrix）D.支持度（Support）答案：ABC（RMSE用于回归评估，AUC-ROC用于分类，混淆矩阵是基础评估工具；支持度是关联规则指标。）三、判断题（共10题，每题1分，共10分，正确填“√”，错误填“×”）1.数据仓库（DW）主要用于支持企业日常事务处理（如订单录入）。（）答案：×（数据仓库面向分析，OLTP数据库支持事务处理。）2.HDFS适合存储大量小文件（如单个文件<100MB）。（）答案：×（HDFS的NameNode内存存储元数据，小文件会占用大量元数据空间，影响性能。）3.数据清洗中的“去重”操作仅需删除完全重复的记录。（）答案：×（去重还需处理“逻辑重复”，如同一用户不同账号的重复数据。）4.Spark的计算模式是“内存为主，磁盘为辅”，适合迭代计算。（）答案：√（Spark通过RDD缓存实现内存计算，提升迭代任务效率。）5.K-means算法需要预先指定聚类数k，属于监督学习。（）答案：×（K-means是无监督学习，无需标签，但需指定k值。）6.数据可视化的核心是“用图表替代数据报表”，因此越复杂的图表越好。（）答案：×（可视化应简洁清晰，准确传递信息，过度复杂会干扰理解。）7.ETL中的“转换（Transform）”包括数据格式转换、字段计算、关联补全等操作。（）答案：√（转换阶段处理数据清洗、整合、计算等，是ETL的核心步骤。）8.关联规则挖掘中的“置信度（Confidence）”表示规则的强度，支持度（Support）表示规则的普遍性。（）答案：√（支持度=X和Y同时出现的频率，置信度=X出现时Y出现的条件概率。）9.数据生命周期管理（DLM）要求所有数据必须长期存储，不得销毁。（）答案：×（DLM根据业务需求确定存储周期，过时或无价值的数据需按规则销毁。）10.联邦学习中，参与方仅共享模型参数而非原始数据，可有效保护隐私。（）答案：√（联邦学习通过“数据不动模型动”实现隐私保护。）四、案例分析题（共2题，每题20分，共40分）案例1：某电商平台用户行为数据分析某电商平台为优化营销活动效果，需对用户行为数据进行深度分析。平台数据来源包括：用户注册信息（姓名、手机号、注册时间）、浏览日志（商品ID、浏览时间、停留时长）、交易订单（订单ID、商品ID、支付金额、支付时间）、客服咨询记录（问题类型、处理结果）。已知数据存在以下问题：部分用户手机号缺失，浏览日志中存在大量重复记录（同一用户短时间内多次刷新同一商品页），交易订单的支付时间与系统时间存在30秒偏差。请结合大数据技术，回答以下问题：1.针对案例中的数据问题，设计数据清洗的具体步骤。（8分）答案：（1）处理缺失值：对手机号缺失的记录，通过关联用户注册IP、设备ID等信息补全；若无法补全，标记为“未知”并单独存储（避免直接删除影响用户画像）。（2）去重处理：针对浏览日志的重复记录，按用户ID、商品ID、浏览时间窗口（如5分钟内）进行分组，保留第一条记录或合并停留时长（取最大值或平均值）。（3）纠正时间偏差：提取交易订单的支付时间字段，通过系统时间校准（如统一增加30秒），确保与其他时间序列数据（如浏览时间）对齐。（4）异常值检测：检查支付金额是否存在负数或异常大数（如超过商品标价10倍），通过业务规则（如商品类目均价）或统计方法（Z-score）识别并修正。2.若需分析“高价值用户”的特征，应如何构建用户分群模型？请说明关键指标与技术方法。（12分）答案：（1）关键指标选择：基于RFM模型（Recency最近购买时间、Frequency购买频率、Monetary购买金额），结合平台业务补充其他指标（如客单价、复购率、咨询响应率）。（2）数据预处理：将用户注册时间、交易时间转换为R（最近一次购买距分析日的天数）；统计每个用户的交易次数作为F；计算总支付金额作为M；提取用户浏览偏好（如高频浏览类目）、咨询问题类型（如售后咨询占比）作为补充特征。（3）特征工程：对连续型指标（如R、F、M）进行标准化（Z-score）或分箱处理；对类别型指标（如偏好类目）进行独热编码。（4）模型选择：采用K-means聚类算法，通过肘部法（ElbowMethod）确定最优聚类数k（如k=5），将用户分为高价值、中价值、低价值、潜在价值、流失预警等群体。（5）结果验证：通过业务专家验证分群合理性（如高价值群的R值小、F和M值大），结合后续营销活动ROI（投资回报率）评估模型效果。案例2：某市交通大数据拥堵治理某市交通管理部门收集了出租车GPS轨迹数据（经度、纬度、时间戳、速度）、电子警察抓拍数据（车牌、违规类型、抓拍时间）、公交IC卡刷卡数据（卡号、上下车站点、时间），希望通过大数据分析缓解高峰期拥堵。问题：1.请设计数据融合方案，说明如何将三类数据整合为统一分析数据集。（10分）答案：（1）确定公共标识：以时间、空间（经纬度/站点）为公共维度，将出租车轨迹（时间戳+经纬度）、电子警察数据（抓拍时间+点