2026年批次《大数据分析师》证书考试练习题及答案

2026年批次《大数据分析师》证书考试练习题及答案一、单项选择题（每题2分，共40分）1.以下关于数据仓库（DataWarehouse）与数据湖（DataLake）的描述，错误的是：A.数据仓库通常存储结构化数据，数据湖可存储多类型数据B.数据仓库在加载数据前需定义模式（Schema-on-Write），数据湖采用写入时无模式（Schema-on-Read）C.数据仓库主要支持OLTP操作，数据湖主要支持OLAP分析D.数据仓库的元数据管理更严格，数据湖的元数据管理更灵活答案：C2.某电商平台订单表（order）包含字段user_id（用户ID）、order_time（下单时间）、amount（金额），需统计2025年Q4每个用户的累计消费金额，正确的SQL语句是：A.SELECTuser_id,SUM(amount)FROMorderWHEREorder_timeBETWEEN'2025-10-01'AND'2025-12-31'GROUPBYuser_idB.SELECTuser_id,SUM(amount)FROMorderWHEREYEAR(order_time)=2025ANDQUARTER(order_time)=4GROUPBYuser_idC.SELECTuser_id,SUM(amount)OVER(PARTITIONBYuser_id)FROMorderWHEREorder_timeBETWEEN'2025-10-01'AND'2025-12-31'D.SELECTuser_id,TOTAL(amount)FROMorderWHEREorder_timeLIKE'2025-1[0-2]-%'GROUPBYuser_id答案：A3.处理Spark任务时出现数据倾斜（DataSkew），以下最有效的解决方法是：A.增加Executor数量B.对倾斜键添加随机前缀后聚合，再去前缀二次聚合C.提高Driver内存D.将RDD转换为DataFrame答案：B4.特征工程中，使用主成分分析（PCA）进行降维的主要目的是：A.减少特征间的多重共线性B.保留特征的类别信息C.提高模型的可解释性D.增强特征的非线性表达能力答案：A5.关于A/B测试的描述，错误的是：A.测试组与对照组需满足同分布B.样本量需通过统计功效（Power）计算确定C.实验期间需保持其他变量不变D.若P值小于0.05，则实验结果必然具有实际业务价值答案：D6.Kafka中，消费者组（ConsumerGroup）的作用是：A.保证消息有序消费B.实现消息的广播和负载均衡C.提高生产者的发送吞吐量D.管理偏移量（Offset）的自动提交答案：B7.以下SparkRDD操作中，属于转换（Transformation）的是：A.collect()B.count()C.reduce()D.mapValues()答案：D8.分类模型评估时，若业务场景关注“尽可能识别所有正样本”，应重点关注的指标是：A.准确率（Accuracy）B.精确率（Precision）C.召回率（Recall）D.F1分数答案：C9.Flink中处理实时数据流时，若需基于事件发生时间（EventTime）计算窗口，必须配置的组件是：A.水位线（Watermark）提供器B.状态后端（StateBackend）C.检查点（Checkpoint）D.时间窗口（TimeWindow）答案：A10.数据治理的核心目标是：A.提高数据存储效率B.确保数据的准确性、完整性和一致性C.增加数据的多样性D.降低数据处理成本答案：B11.某数据集包含10万条记录，其中特征X的缺失率为35%，且缺失模式与目标变量Y强相关，最合理的处理方式是：A.直接删除缺失值记录B.用均值填充缺失值C.用中位数填充缺失值D.将缺失作为独立类别（如标记为-999）并保留该特征答案：D12.以下机器学习算法中，属于提供式模型的是：A.逻辑回归（LogisticRegression）B.支持向量机（SVM）C.朴素贝叶斯（NaiveBayes）D.随机森林（RandomForest）答案：C13.用Python的scikit-learn训练线性回归模型时，若出现“ConvergenceWarning:lbfgsfailedtoconverge”，最可能的原因是：A.学习率（LearningRate）设置过大B.特征未进行标准化处理C.模型复杂度不足（欠拟合）D.训练数据中存在多重共线性答案：B14.Hive中，以下存储格式按查询效率从高到低排序正确的是：A.ORC>Parquet>TextFileB.Parquet>TextFile>ORCC.TextFile>ORC>ParquetD.ORC>TextFile>Parquet答案：A15.某电商用户行为数据中，“页面浏览”（PV）和“独立访客”（UV）的比值（PV/UV）突然下降50%，可能的原因是：A.新增大量高价值用户B.网站加载速度变慢导致用户跳出率增加C.推出限时促销活动吸引用户多次访问D.统计系统故障导致PV计数重复答案：B16.关联规则挖掘中，提升度（Lift）的计算公式是：A.支持度（Support）/置信度（Confidence）B.置信度（Confidence）/支持度（Support）C.置信度（Confidence）/（前件支持度×后件支持度）D.置信度（Confidence）/（前件支持度）答案：C17.以下不属于流计算（StreamComputing）特点的是：A.数据实时处理B.数据量无限（Unbounded）C.强调一次性计算（BatchProcessing）D.支持低延迟响应答案：C18.用XGBoost训练分类模型时，若模型在训练集上准确率95%，验证集上准确率70%，应采取的优化措施是：A.增加树的深度（max_depth）B.增大学习率（learning_rate）C.增加正则化参数（reg_alpha/reg_lambda）D.减少迭代次数（n_estimators）答案：C19.数据可视化中，展示“2025年各月份销售额占全年比例”最适合的图表是：A.折线图B.柱状图C.饼图D.散点图答案：C20.以下关于K-means聚类的描述，错误的是：A.需要预先指定聚类数KB.对异常值敏感C.适用于非凸形状的簇D.采用欧氏距离计算样本间相似度答案：C二、简答题（每题5分，共40分）1.简述数据清洗的主要步骤及各步骤的核心任务。答案：数据清洗主要包括：（1）缺失值处理：识别缺失模式（随机/非随机缺失），选择删除、填充（均值/中位数/模型预测）或保留缺失标记；（2）异常值检测：通过Z-score、IQR或模型（如孤立森林）识别，根据业务意义决定修正或删除；（3）重复值处理：删除完全重复记录，或根据业务规则合并部分重复记录；（4）格式标准化：统一日期格式、数值单位等；（5）一致性检查：修正逻辑矛盾（如年龄为负数）或跨表冲突（如用户ID在订单表与用户表不匹配）。2.列举特征选择的3种常用方法，并说明其核心思想。答案：（1）过滤法（Filter）：基于统计指标（如卡方检验、信息增益、相关系数）评估特征与目标变量的相关性，保留高得分特征；（2）包装法（Wrapper）：将特征选择视为搜索问题，用模型性能（如准确率）作为评价指标，通过前向/后向搜索选择最优子集；（3）嵌入法（Embedded）：在模型训练过程中自动学习特征重要性（如L1正则化、树模型的特征重要度），筛选关键特征。3.随机森林（RandomForest）与梯度提升树（GradientBoostingTree,GBDT）的主要区别有哪些？答案：（1）集成方式：随机森林是并行集成（Bagging），各树独立训练；GBDT是串行集成（Boosting），每棵树拟合前序模型的残差；（2）抗过拟合：随机森林通过样本和特征的随机抽样降低过拟合风险；GBDT对异常值更敏感，需通过学习率和树深度控制复杂度；（3）适用场景：随机森林适合多特征、噪声大的数据集；GBDT在回归和二分类任务中通常表现更优，但训练速度较慢；（4）并行性：随机森林天然支持并行训练，GBDT需串行训练。4.用Python的Pandas处理缺失值时，dropna()和fillna()的常用参数及适用场景是什么？答案：（1）dropna()：常用参数包括axis（0/1，按行/列删除）、thresh（保留至少n个非缺失值的行/列）、subset（指定列范围）。适用于缺失率低（如<5%）且缺失模式随机的场景；（2）fillna()：常用参数包括value（填充值）、method（ffill/bfill前后向填充）、limit（限制填充次数）。适用于缺失率较高或缺失具有业务意义（如“未填写”）的场景，可填充均值（数值型）、众数（分类型）或模型预测值。5.数据可视化的基本原则有哪些？请举例说明。答案：（1）清晰性：避免冗余元素（如3D柱状图），确保标签、坐标轴清晰（如用“万元”代替“元”简化刻度）；（2）准确性：数据比例需真实（如饼图各部分和为100%），避免误导性缩放（如Y轴不从0开始）；（3）简洁性：仅保留关键信息（如用折线图展示趋势时，删除背景网格）；（4）相关性：图表类型与分析目标匹配（如用散点图展示两个连续变量的相关性）。6.简述Hadoop生态中HDFS、YARN、MapReduce、Hive、HBase的核心职责。答案：（1）HDFS：分布式文件系统，负责海量数据的存储与高可用；（2）YARN：资源管理系统，负责集群资源（CPU、内存）的调度与任务监控；（3）MapReduce：分布式计算框架，通过Map和Reduce阶段实现离线批处理；（4）Hive：数据仓库工具，通过类SQL语言（HiveQL）将查询转换为MapReduce任务，支持离线分析；（5）HBase：基于HDFS的列式数据库，支持海量结构化数据的实时读写与随机访问。7.A/B测试的关键步骤包括哪些？答案：（1）明确目标：定义核心指标（如转化率、客单价）和辅助指标；（2）实验设计：确定测试组与对照组的分配比例（通常1:1），计算最小样本量（基于统计功效、显著性水平、预期差异）；（3）流量分割：确保用户唯一进入一组，避免交叉；（4）数据收集：通过埋点或日志采集实验数据，验证数据完整性；（5）统计检验：使用t检验（数值型）或卡方检验（分类型）评估指标差异的显著性；（6）结果解读：结合统计显著性与业务影响（如ROI）决定是否推广。8.选择机器学习模型评估指标时需考虑哪些因素？请举例说明。答案：（1）任务类型：分类任务用准确率、AUC-ROC；回归任务用MSE、MAE；（2）业务目标：医疗诊断关注召回率（避免漏诊）；垃圾邮件过滤关注精确率（避免误删正常邮件）；（3）数据分布：正负样本失衡时，准确率无意义，需用F1分数或PR曲线；（4）模型成本：实时推荐系统需关注推理速度（如延迟），而离线预测更关注预测精度。三、案例分析题（每题10分，共20分）案例1：某电商平台需预测用户“是否会在未来7天内下单”（目标变量Y=1表示下单，Y=0表示不下单），已收集到用户近30天的行为数据（包括浏览次数、加购次数、收藏次数、平均停留时长、历史购买金额、最近一次购买时间）。问题1：请设计特征工程的具体步骤，并说明各步骤的目的。答案：（1）基础特征构造：计算用户近7天/15天/30天的浏览次数（趋势特征）、加购率（加购次数/浏览次数，衡量购买意向）、收藏转化比（下单数/收藏次数，衡量收藏有效性）；（2）时间特征提取：最近一次购买时间距离当前的天数（R值，反映活跃程度）、购买频率（30天内购买次数，F值）、平均购买金额（M值，反映价值）；（3）交叉特征：将浏览次数与平均停留时长相乘（用户关注度），加购次数与历史购买金额相加（潜在消费能力）；（4）缺失值处理：对新用户（无历史购买记录）的R/F/M值标记为0或单独类别；（5）特征标准化：对数值型特征（如浏览次数）进行Z-score标准化，避免量纲影响模型；（6）特征选择：用随机森林的特征重要度或XGBoost的SHAP值筛选Top20特征，降低维度。问题2：若选择逻辑回归（LR）和XGBoost作为候选模型，如何比较两者的性能？需关注哪些指标？答案：（1）训练效率：比较模型训练时间（LR通常更快，XGBoost需调参）；（2）预测精度：在验证集上比较AUC-ROC（衡量整体区分能力）、F1分数（平衡精确率与召回率）、KS值（衡量正负样本分离度）；（3）可解释性：LR的系数直接反映特征重要性方向（正/负相关），XGBoost需通过特征重要度或SHAP值解释；（4）抗过拟合能力：比较训练集与验证集的AUC差值（差值小则泛化能力强）；（5）业务适配性：若需快速迭代（如实时推荐），选LR；若需更高精度（如高价值用户筛选），选XGBoost。案例2：某物流企业拥有全国运输路线数据（包括起点、终点、距离、运输时间、货品种类、天气状况、车辆类型），需优化运输路线以降低平均延误率（延误定义为实际到达时间超过计划时间30分钟