2026大数据分析师考试题目及答案

2026大数据分析师考试题目及答案一、单项选择题（每题1分，共20分。每题只有一个正确答案，请将正确选项字母填入括号内）1.在Hadoop生态中，负责资源管理与任务调度的组件是（）A.HDFS  B.YARN  C.MapReduce  D.Hive答案：B2.下列关于数据湖描述正确的是（）A.仅支持结构化数据  B.强制预定义Schema  C.支持原始格式存储  D.不支持流式写入答案：C3.在SparkSQL中，用于将DataFrame注册为临时视图的函数是（）A.cache()  B.createTempView()  C.persist()  D.collect()答案：B4.若某电商订单表包含列order_id、user_id、amount、pay_time，计算“每位用户2025年累计消费额”应使用的SQL子句是（）A.GROUPBYuser_id,YEAR(pay_time)  B.GROUPBYuser_id  C.PARTITIONBYuser_id  D.ORDERBYuser_id答案：B5.在Pythonpandas中，对DataFramedf按列col升序并返回前10%行的最佳写法是（）A.df.sort_values('col').head(int(len(df)0.1))A.df.sort_values('col').head(int(len(df)0.1))B.df.nlargest(int(len(df)0.1),'col')B.df.nlargest(int(len(df)0.1),'col')C.df.sample(frac=0.1).sort_values('col')D.df['col'].quantile(0.1)答案：A6.下列算法中，属于无监督学习的是（）A.XGBoost  B.K-Means  C.LightGBM  D.LogisticRegression答案：B7.在Hive中，将字符串'2026-03-01'转换为日期类型的函数是（）A.unix_timestamp  B.from_unixtime  C.to_date  D.castasdate答案：C8.使用Kafka保证消息“恰好一次”语义需同时启用（）A.at-least-once+幂等producer+事务B.at-most-once+批量刷盘C.关闭ackD.增大batch.size答案：A9.在ROC曲线中，越靠近左上角的点对应的模型（）A.召回率越低  B.精确率越低  C.AUC越小  D.综合性能越好答案：D10.对高维稀疏文本特征进行降维，最常用的是（）A.PCA  B.t-SNE  C.TruncatedSVD  D.LDA（线性判别分析）答案：C11.在SQL优化中，EXPLAIN输出中type列显示“index”表示（）A.全表扫描  B.全索引扫描  C.范围扫描  D.唯一索引查找答案：B12.下列关于FlinkCheckpoint描述错误的是（）A.基于Chandy-Lamport算法  B.可配置Exactly-Once  C.保存点自动删除无法恢复  D.支持增量Checkpoint答案：C13.使用Pythonstatsmodels计算线性回归时，默认使用下列哪种方法估计参数（）A.梯度下降  B.普通最小二乘  C.最大似然  D.贝叶斯答案：B14.在PostgreSQL中，建立GiST索引适合的数据类型是（）A.int4  B.text  C.jsonb  D.point答案：D15.当特征存在多重共线性时，首选的回归改进方法是（）A.向前选择  B.Lasso  C.增加样本  D.提高学习率答案：B16.在Tableau中，将维度字段拖至“颜色”标记卡，默认生成的是（）A.热力图  B.饼图  C.散点图  D.条形图答案：B17.使用HBaseRowKey设计时，为避免热点应（）A.使用时间戳前缀  B.使用哈希前缀  C.使用递增数字  D.使用短RowKey答案：B18.在Python中，使用multiprocessing模块时，进程间共享最高效的方式是（）A.Queue  B.Pipe  C.shared_memory.SharedMemory  D.Manager.list答案：C19.在数据治理成熟度模型DAMA-DMBOK中，最高级是（）A.Managed  B.Defined  C.Optimized  D.Initial答案：C20.若某模型在训练集准确率99%，测试集准确率72%，则最恰当的下一步是（）A.增加训练轮数  B.收集更多训练数据  C.降低正则化  D.减小学习率答案：B二、多项选择题（每题2分，共20分。每题有两个或两个以上正确答案，多选、少选、错选均不得分）21.下列属于时间序列分解分量的有（）A.Trend  B.Seasonal  C.Residual  D.Variance答案：ABC22.在Spark中，会导致Shuffle的操作包括（）A.reduceByKey  B.groupByKey  C.map  D.distinct答案：ABD23.关于数据仓库Kimball维度建模，下列说法正确的有（）A.星型模型含冗余维度表  B.事实表存储度量  C.维度表主键常为代理键  D.支持缓慢变化维度答案：BCD24.下列Python库可用于深度学习的包括（）A.TensorFlow  B.PyTorch  C.Keras  D.Scrapy答案：ABC25.在A/B测试中，为降低第二类错误，可采取（）A.增加样本量  B.提高显著性水平α  C.降低β  D.使用双侧检验答案：AC26.关于数据倾斜，正确的缓解策略有（）A.两阶段聚合  B.加盐后局部聚合  C.提高并行度  D.使用MapJoin答案：ABCD27.下列属于NoSQL数据库的有（）A.MongoDB  B.Redis  C.Neo4j  D.Oracle答案：ABC28.在特征选择中，基于模型系数进行筛选的方法有（）A.L1正则  B.递归特征消除  C.方差阈值  D.基于树模型的特征重要性答案：ABD29.下列指标可用于回归模型评估的有（）A.MAPE  B.RMSE  C.AUC  D.R²答案：ABD30.在数据安全合规中，GDPR赋予数据主体的权利包括（）A.访问权  B.删除权（被遗忘权）  C.可携带权  D.修改权答案：ABCD三、填空题（每空2分，共20分）31.在Hive中，将表table_a按列col分区且分区字段类型为string，创建分区表的DDL语句分区子句应写：__________。答案：PARTITIONEDBY(colstring)32.在Pythonnumpy中，生成形状(3,4)且元素服从标准正态分布的随机数组的代码为：__________。答案：np.random.randn(3,4)33.在SQL中，计算列col滑动3行平均窗口函数表达式为：__________。答案：AVG(col)OVER(ORDERBYidROWSBETWEEN2PRECEDINGANDCURRENTROW)34.在Linux中，将本地文件data.csv上传至HDFS目录/user/hadoop/的命令为：__________。答案：hdfsdfs-putdata.csv/user/hadoop/35.在FlinkTableAPI中，将DataStream注册为表名为log的语句为：__________。答案：tableEnv.createTemporaryView("log",dataStream)36.在Pythonsklearn中，使用StandardScaler对训练集X_train拟合并转换的代码为：__________。答案：StandardScaler().fit_transform(X_train)37.在PostgreSQL中，开启扩展以支持UUID生成的SQL为：__________。答案：CREATEEXTENSIONIFNOTEXISTS"uuid-ossp";38.在Excel365中，使用动态数组函数将区域A1:A10去重的公式为：__________。答案：=UNIQUE(A1:A10)39.在Tableau计算字段中，将字符串字段date_str从'20260301'转为日期型日期的表达式为：__________。答案：DATEPARSE("yyyyMMdd",date_str)40.在PromQL中，计算过去5分钟HTTP请求平均每秒增长率的表达式为：__________。答案：rate(http_requests_total[5m])四、判断题（每题1分，共10分。正确打“√”，错误打“×”）41.在HDFS中，NameNode负责存储实际数据块。  答案：×42.使用PCA降维后，各主成分之间正交。  答案：√43.LightGBM采用直方图算法加速训练。  答案：√44.在Kafka中，partition数一旦创建不可修改。  答案：×45.在Python中，GIL限制了多线程并行计算。  答案：√46.在SQL中，LEFTJOIN结果行数一定大于等于左表行数。  答案：×47.在A/B测试中，p值越小说明实验组效果越显著。  答案：√48.在XGBoost中，设置reg_lambda相当于L2正则。  答案：√49.在数据仓库中，事实表越宽越好，可减少关联。  答案：×50.在ElasticSearch中，mapping一旦创建不可修改。  答案：×五、简答题（共30分）51.（封闭型，6分）简述数据治理中“元数据管理”的核心目标，并列举两类常见元数据。答案：核心目标是通过统一收集、存储、维护数据资产的描述信息，实现数据可发现、可理解、可信任、可追踪。常见两类：技术元数据（表结构、字段类型、存储路径）、业务元数据（业务定义、业务规则、数据责任人）。52.（开放型，8分）某电商公司发现推荐系统离线AUC提升3%，但线上CTR下降1%，请给出至少四条可能原因及对应排查方法。答案：1.数据泄露：离线特征含未来信息，排查方法：检查特征生成时间戳是否晚于样本标签时间。2.样本偏差：离线采样策略与线上分布不一致，排查：对比离线/线上用户画像分布，使用PSM重采样。3.位置偏差未建模：离线未考虑展示位置，线上受位置影响大，排查：引入positionbias特征重新训练。4.冷启动差异：离线数据覆盖老用户多，线上新用户占比高，排查：分新老用户评估AUC/CTR，增加冷启动策略。5.实时特征延迟：线上特征延迟导致分值不准，排查：监控特征延迟P99，增加缓存或流式特征。（答出任意四条即满分）53.（封闭型，6分）写出使用Pythonsklearn构建随机森林回归模型并输出特征重要性的完整代码（含训练、预测、评估RMSE）。答案：```pythonfromsklearn.ensembleimportRandomForestRegressorfromsklearn.metricsimportmean_squared_errorfromsklearn.model_selectionimporttrain_test_splitimportnumpyasnpX,y=load_data()#假设已定义X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)rf=RandomForestRegressor(n_estimators=300,max_depth=10,random_state=42)rf.fit(X_train,y_train)pred=rf.predict(X_test)rmse=np.sqrt(mean_squared_error(y_test,pred))print("RMSE:",rmse)importances=rf.feature_importances_forf,iinzip(range(X.shape[1]),importances):print(f"feature{f}:{i:.4f}")```54.（开放型，10分）某运营商每日新增500GB信令数据，需构建用户位置轨迹仓库，要求保留18个月，支持秒级查询最近7天、分钟级查询历史，请给出技术选型、分层架构、分区策略、索引方案及压缩格式，并说明理由。答案：技术选型：HDFS+Spark（批）、Kafka+Flink（流）、ClickHouse（OLAP）、Alluxio（加速）。分层：ODS（原始信令，Parquet+ZSTD，按天分区）、DWD（清洗去重，保留cell_id,imsi,time等，按天+小时分区）、DWS（用户级轨迹聚合，窗口10分钟，按天分区）、ADS（最近7天热数据，写入ClickHouse）。分区策略：ODS/DWD使用(dt,hh)二级分区；ClickHouse按toStartOfHour(time)分区+imsi哈希分片。索引：ClickHouse使用跳数索引(minmaxtime)、布隆过滤器(imsi)、cell_id位图索引。压缩：Parquet+ZSTD压缩率50%，ClickHouse默认LZ4兼顾速度与压缩。理由：分层降低重复计算；小时分区平衡文件数与扫描量；ClickHouse列存+索引实现秒级；Alluxio缓存最近7天热分区，减少HDFSIO；ZSTD高压缩节约磁盘。六、应用题（共50分）55.计算题（10分）给定用户消费表user_cost(user_idstring,costdouble,dtstring)，计算2025年每用户月累计消费、环比增长率（当月/上月-1），要求输出user_id,month,cost,mom_rate，缺失上月填充0。SQL答案：```sqlWITHtAS(SELECTuser_id,date_format(dt,'yyyy-MM')ASmonth,SUM(cost)AScostFROMuser_costWHEREdtBETWEEN'2025-01-01'AND'2025-12-31'GROUPBYuser_id,date_format(dt,'yyyy-MM')),t_lagAS(SELECTuser_id,month,cost,LAG(cost,1,0)OVER(PARTITIONBYuser_idORDERBYmonth)ASlast_costFROMt)SELECTuser_id,month,cost,CASEWHENlast_cost=0THENNULLELSEcost/last_cost-1ENDASmom_rateFROMt_lag;```56.分析题（15分）某视频平台实验组新增“连播”功能，实验两周后指标如下：实验组样本120万，对照组样本120万；实验组人均播放时长+4.2%，p=0.008；广告曝光量+1.5%，p=0.12；会员转化率+0.8%，p=0.45。问题：（1）判断上述指标是否统计显著，并给出业务结论。（3分）（2）若公司KPI优先级为“会员转化>时长>广告”，请给出后续决策建议并补充需要监控的次要指标。（5分）（3）从实验设计角度，指出可能威胁内部效度的两个因素及改进措施。（7分）答案：（1）仅人均播放时长p<0.05，显著；广告与会员不显著。结论：功能显著提升播放时长，但对广告与会员影响不明确。（2）决策：延长实验4周扩大样本，继续观察会员转化；若会员仍不显著，则小流量灰度至20%并迭代产品（如连播提示加会员优惠）。次要监控：留存、完播率、crash率、客服投诉。（3）威胁：1.选择偏差——实验组用户更活跃，改进：实验前AA检验，确保基线一致；2.网络效应——连播影响好友观看，改进：按地理或用户群簇随机化，使用簇稳健标准误；3.新奇效应——初期好奇，改进：观察指标时序衰减，若四周后效应减半需重新评估。57.综合题（25分）某城域交通卡口每30秒上传一条过车记录，字段：camera_id,plate_no,pass_time,color,speed,road_id，日增量8000万条（≈1.2TB）。需实现：a.实时识别套牌车：同一plate_no在5分钟内出现在两个相距>20km的卡口；b.离线统计：每日各道路平均车速、流量、拥堵指数（速度<30km/h占比）；c.支持交警按plate_no查询近一年轨迹，响应<2s。要求：给出完整技术架