2026年大数据分析应用技能理论考核试题及答案

2026年大数据分析应用技能理论考核试题及答案一、单项选择题（每题2分，共20分）1.在大样本高维大数据预处理场景中，以下哪种缺失值处理方法的预测准确性最优？A.均值填充B.中位数填充C.基于大语言模型的生成式填充D.直接删除含缺失值的样本答案：C解析：传统均值、中位数填充仅适用于低维小样本场景，删除样本会造成大量数据信息损失，当前主流大数据预处理流程中，针对高维大样本的缺失值，基于大模型的生成式填充可以结合字段语义和样本特征生成更贴合真实分布的填充值，准确率远高于传统统计方法。2.根据我国2025年修订的《生成式人工智能服务管理暂行办法》，以下哪类数据可合法用于训练企业大数据分析模型？A.未经用户授权爬取的公开平台用户评论数据B.完成脱敏脱标识化处理且通过合规评估的公开行业统计数据C.未取得用户明确授权的个人位置轨迹数据D.企业跨部门共享的未加密个人敏感信息数据答案：B解析：修订后的管理办法明确要求生成式AI训练数据必须具备合法来源与授权，经过合规处理的公开行业数据属于合法训练数据，其余选项均违反《个人信息保护法》与生成式AI管理相关规定。3.因果推断方法中，断点回归设计的核心适用场景是？A.评估政策实施在断点阈值两侧的处理效应B.分析无明显分段变量的因果关系C.随机对照实验的效应估计D.时间序列的未来趋势预测答案：A解析：断点回归利用断点阈值两侧样本的近似随机性，估计政策或变量的处理效应，是观测性研究中因果推断的常用方法，其余选项均不符合断点回归的适用场景。4.当前大模型赋能大数据分析架构中，向量数据库的核心作用是？A.存储和查询结构化关系型交易数据B.存储与高效检索大模型生成的高维嵌入向量C.存储原始非结构化文本数据D.完成自动化数据清洗与预处理答案：B解析：向量数据库专门针对高维向量的存储与近邻检索优化，是RAG架构的核心组件，其余选项均不是向量数据库的核心定位。5.当前主流的批流一体大数据处理框架是？A.HadoopMapReduceB.SparkStreamingC.ApacheFlinkD.ApacheStorm答案：C解析：Flink原生支持批流一体架构，同时具备低延迟、exactly-once一致性特性，已经成为当前大数据处理的主流框架，MapReduce仅支持批处理，SparkStreaming是微批流处理，Storm仅支持流处理。6.用户价值分群的RFM模型中，F指标代表的含义是？A.用户最近一次消费的时间间隔B.用户一段时间内的消费频率C.用户一段时间内的消费总金额D.用户的复购留存率答案：B解析：RFM模型中R为Recency（最近消费间隔）、F为Frequency（消费频率）、M为Monetary（消费金额）。7.以下哪种算法属于有监督学习算法？A.K-means聚类B.DBSCAN密度聚类C.逻辑回归D.PCA主成分降维答案：C解析：逻辑回归用于有标注数据的分类任务，属于有监督学习，其余选项均属于无监督学习算法。8.根据我国《个人信息保护法》，处理敏感个人信息不需要满足以下哪项法定条件？A.取得个人的单独同意B.具有特定的目的和充分的必要性C.采取严格的保护措施D.仅通过企业内部数据部门审批答案：D解析：《个人信息保护法》明确要求处理敏感个人信息应当取得个人单独同意，具备特定目的与充分必要性，采取严格保护措施，企业内部审批不属于法定必备条件。9.大模型辅助大数据分析中，RAG检索增强生成技术的核心优势是？A.从外部知识库检索相关信息注入生成过程，降低大模型幻觉B.对大模型全参数微调适配下游任务C.对大模型参数进行量化压缩降低部署成本D.实现大模型的端侧部署答案：A解析：RAG通过引入外部可信知识库，提升生成结果的准确性和可追溯性，核心作用就是降低大模型幻觉问题。10.针对存在明显季节性波动和长期趋势的零售日销量数据，以下哪种预测方法的精度最优？A.简单移动平均法B.单一指数平滑法C.Prophet结合LSTM的混合模型D.一元线性回归答案：C解析：传统时间序列方法仅能处理简单规律的序列，混合模型结合了Prophet对趋势季节性的建模能力和LSTM对非线性波动的拟合能力，在大数据场景下预测精度远高于传统方法。二、多项选择题（每题3分，共30分）1.大数据分析项目全生命周期管理包含以下哪些核心阶段？A.需求定义与数据采集B.数据预处理与探索性分析C.模型构建与效果评估D.部署上线与持续监控迭代E.项目复盘与文档归档答案：ABCDE解析：现代大数据分析项目强调闭环管理，从需求定义到后续迭代复盘全流程所有阶段都是核心组成部分，缺一不可。2.以下哪些技术属于大数据场景下保障个人信息安全的合规技术？A.差分隐私B.k-匿名C.联邦学习D.数据脱敏E.明文分布式存储答案：ABCD解析：差分隐私、k-匿名、联邦学习、数据脱敏都是主流的隐私保护合规技术，明文存储个人信息不符合合规要求。3.ApacheFlink的核心特性包含以下哪些？A.原生批流一体B.事件驱动C.端到端exactly-once一致性D.毫秒级低延迟处理E.仅支持流处理不支持批处理答案：ABCD解析：Flink原生支持批流一体，可同时处理流数据和批数据，E选项错误。4.以下关于因果推断和传统相关性分析的区别，描述正确的有？A.相关性仅能说明变量间的关联程度，不代表因果关系B.因果推断可以回答干预性问题，即改变变量A会对变量B产生何种影响C.相关性分析不需要控制混杂因素，因果推断需要控制混杂因素得到可靠结论D.大数据规模下相关性可以完全替代因果性用于决策E.因果推断只能用于实验数据不能用于观测数据答案：ABC解析：相关性无法替代因果性，很多虚假相关性会误导决策，因果推断也可用于观测数据，因此DE错误。5.以下哪些属于大数据分析的典型行业应用场景？A.电商平台的用户个性化商品推荐B.金融行业的信用卡交易反欺诈识别C.医疗行业的慢性病风险预测D.制造业的核心设备故障预测性维护E.政务领域的公共安全态势监测答案：ABCDE解析：以上场景均是大数据分析的成熟落地应用。6.大数据建模过程中，解决模型过拟合问题的常用方法有？A.L1/L2正则化B.Dropout正则化C.训练早停D.增加高质量训练数据E.增加模型复杂度答案：ABCD解析：增加模型复杂度会加重过拟合问题，因此E错误，其余选项都是解决过拟合的常用方法。7.向量数据库相比传统关系型数据库，更适合处理以下哪些任务？A.大模型知识库的语义检索B.以图搜图的相似图匹配C.长文本的相似内容匹配D.高维特征的近邻检索E.银行交易流水的结构化查询答案：ABCD解析：结构化交易数据查询是传统关系型数据库的优势场景，因此E错误，其余选项都是向量数据库的典型适用场景。8.以下关于数据仓库和数据湖的区别，描述正确的有？A.数据仓库主要存储结构化、规范处理的半结构化数据，数据湖可存储所有类型的原始数据B.数据仓库一般需要预处理完成后再入库，数据湖可直接存储原始数据C.数据湖的存储成本通常低于同等数据规模的数据仓库D.数据仓库面向主题的决策分析，数据湖支持探索性分析、机器学习等多元场景E.数据湖可以完全替代数据仓库满足所有大数据需求答案：ABCD解析：数据湖和数据仓库定位不同，数据湖无法完全替代数据仓库，面向企业决策分析的场景数据仓库仍有不可替代的优势，因此E错误。9.以下哪些算法属于大数据异常检测的常用算法？A.孤立森林B.One-ClassSVMC.DBSCAN密度聚类D.Prophet时间序列模型E.K-means聚类答案：ABC解析：孤立森林、One-ClassSVM、DBSCAN都是常用的异常检测算法，Prophet是时间序列预测模型，K-means是通用聚类算法，不是专门的异常检测算法。10.生成式AI与大数据分析结合带来的新能力包含以下哪些？A.支持自然语言交互生成分析报告，降低非专业人员的分析门槛B.可自动完成数据预处理与特征工程，提升分析效率C.提升非结构化数据的结构化分析能力，拓展大数据分析的适用范围D.可完全解决大数据分析中的数据质量问题E.可辅助因果推断，提升混杂因素识别效率答案：ABCE解析：生成式AI可以辅助解决数据质量问题，但无法完全解决所有数据质量问题，D表述绝对化错误，其余选项都是生成式AI给大数据分析带来的新能力。三、判断题（每题1分，共10分）1.大数据预处理过程中，所有包含缺失值的样本都必须删除，否则一定会影响模型精度。答案：错误解析：大量缺失值可通过合理填充保留有效信息，直接删除会造成数据信息损失，降低模型泛化能力，仅当缺失比例极高时才考虑删除。2.联邦学习可以在不交换各方原始数据的前提下完成联合建模，实现数据可用不可见，符合数据合规要求。答案：正确解析：联邦学习是隐私计算的主流技术，适合多个机构联合建模场景，可有效保护数据隐私，满足合规要求。3.向量数据库仅能存储向量，无法存储原始业务数据信息。答案：错误解析：现代向量数据库支持同时存储原始业务元数据和对应向量，可在检索向量的同时返回关联业务信息。4.RAG技术可以有效提升大模型大数据分析结果的可追溯性，降低幻觉发生概率。答案：正确解析：RAG生成结果基于检索到的外部原始数据源，可追溯来源，验证准确性，有效降低幻觉。5.根据我国《数据安全法》，核心数据可以不经审批向境外机构提供。答案：错误解析：我国数据安全法明确要求核心数据出境必须经过严格的安全评估和审批，禁止随意向境外提供。6.无监督学习不需要标注数据即可完成建模，适合用户分群、异常检测等无标注数据场景。答案：正确7.A/B测试是验证大数据分析策略和模型效果的黄金标准。答案：正确解析：A/B测试通过随机分组控制混杂因素，可准确得到策略或模型的真实效果，是效果验证的黄金标准。8.数据倾斜仅会影响MapReduce任务，不会出现在Spark和Flink分布式任务中。答案：错误解析：数据倾斜是分布式计算中因数据分配不均产生的常见问题，所有分布式计算框架都可能出现数据倾斜，需要针对性优化。9.混淆矩阵中，准确率和召回率是同一个评价指标，只是叫法不同。答案：错误解析：准确率是所有预测正确样本占总样本的比例，召回率是真实正样本中被预测正确的比例，二者是不同的评价指标，针对不同场景侧重点不同。10.特征工程中，加入的特征维度越高，模型预测效果越好，因此应当尽可能多加入特征。答案：错误解析：特征维度过高会引发维度灾难，导致模型过拟合，泛化能力下降，需要通过特征选择和降维去除冗余特征。四、简答题（每题10分，共20分）1.在大语言模型融入大数据分析的背景下，RAG技术相比全参数微调大模型的核心优势有哪些？答案：①成本优势显著：全参数微调需要调整大模型所有参数，对算力和训练数据规模要求极高，成本高昂；RAG不需要修改大模型原有参数，仅需要对业务数据做嵌入存入向量数据库，部署和训练成本仅为全参数微调的十分之一到百分之一，适配中小规模企业的大数据分析需求。②降低幻觉，可解释性更强：RAG生成结果基于检索到的外部原始业务数据，可追溯到数据源，方便验证结果准确性，大幅降低大模型幻觉风险；全参数微调的生成结果是黑盒，无法追溯来源，可解释性差。③数据更新更灵活：当业务数据更新时，RAG仅需要将新数据生成嵌入存入向量数据库即可完成更新，不需要重新训练模型；全参数微调每次数据更新都需要重新微调，效率极低，无法适配业务数据快速迭代的大数据分析场景。④合规性更好：RAG可方便对接权限管控系统，针对不同权限的用户检索对应权限范围的业务数据，满足数据分级分类合规要求，也避免敏感数据泄露风险。2.请简述大数据分析中常见的数据质量问题类型及对应处理方法。答案：常见数据质量问题及处理方法如下：①缺失值：指部分样本字段数据为空，处理方法：低比例随机缺失可根据数据类型选择均值、中位数填充，高维大样本场景可采用大模型生成式填充，字段或样本缺失比例超过阈值时，可直接删除对应字段或样本。②异常值：指偏离正常数据分布的离群点，处理方法：先通过业务逻辑判断异常是否合理，合理的业务异常予以保留，不合理的异常可采用修正或删除处理，常用异常识别方法包括3σ原则、箱线图法、孤立森林算法等。③重复值：指同一实体或同一条记录被多次采集存储，处理方法：通过核心唯一标识识别重复数据后，去除重复保留一条有效记录即可。④数据不一致：指同一实体的同一属性存在多个矛盾取值，比如同一用户的年龄出现两个不同值，处理方法：通过业务规则判断正确取值，或结合多数据源交叉验证修正错误取值。⑤噪声数据：指数据存在随机误差或干扰，处理方法：采用平滑处理、滤波等方法去除噪声，保留真实数据规律。五、综合分析题（共20分）某国内头部连锁咖啡品牌计划搭建大数据用户画像系统，用于个性化推送优惠券和新品营销，提升用户复购率。目前品牌沉淀了三类数据：线下门店的交易数据、线上小程序的用户行为浏览数据、用户注册会员的基础信息数据。当前数据存在三个核心问题：一是不同数据源的用户ID不统一，线上线下数据无法打通；二是约23%的用户年龄、职业等基础信息缺失；三是部分用户的收货地址、手机号等敏感信息未做保护处理，存在合规风险。请结合大数据分析相关知识回答以下问题：(1)该品牌搭建用户画像系统，需要完成哪些核心数据预处理步骤？(2)针对该品牌当前存在的数据合规问题，应当采取哪些技术和管理措施满足合规要求？答案：(1)需要完成的核心预处理步骤如下：①多源数据ID对齐与整合：针对不同数据源用户ID不统一的问题，通过用户手机号、微信openid、会员卡号等唯一标识，匹配对齐线上线下用户，统一用户主ID，整合为覆盖用户全行为路径的统一数据集。②数据清洗：针对用户基础信息缺失问题，对于可通过用户消费行为、浏览偏好推断的缺失字段，比如年龄、职业，采用大模型分类或回归模型填充缺失值，对于缺失比例超过80%的无效字段直接删除；识别并处理交易金额、用户年龄等不合理异常值，修正或删除异常数据；去除重复采集的用户