2026年新公需科目大数据考试题库(含答案)

2026年新公需科目大数据考试题库(含答案)一、单项选择题（每题2分，共40分）1.以下哪项不属于大数据的“4V”特征？A.大量（Volume）B.高速（Velocity）C.多样（Variety）D.精确（Veracity）答案：D（注：大数据的“4V”特征为Volume、Velocity、Variety、Value，Veracity是部分扩展定义中的“真实性”，但非核心4V）2.分布式文件系统HDFS的默认块大小是？A.32MBB.64MBC.128MBD.256MB答案：C（HDFS默认块大小为128MB，设计目的是减少元数据管理开销，适合大文件存储）3.以下哪种技术属于实时流计算框架？A.HiveB.SparkSQLC.FlinkD.HBase答案：C（Flink是典型的流计算框架，支持毫秒级延迟处理；Hive是数据仓库工具，SparkSQL侧重批处理与交互式查询，HBase是分布式数据库）4.数据挖掘中的“关联规则分析”典型应用场景是？A.客户流失预测B.商品推荐（如“啤酒与尿布”）C.用户分群D.销量趋势预测答案：B（关联规则分析关注数据项之间的关联关系，“啤酒与尿布”是经典案例；流失预测和趋势预测属于分类与回归，用户分群是聚类）5.以下哪类数据属于非结构化数据？A.关系型数据库中的订单表B.传感器实时采集的温度数值C.微信聊天记录的文本D.财务系统中的资产负债表答案：C（非结构化数据无固定格式，如文本、图片、音视频；A、B、D均为结构化或半结构化数据）6.大数据平台中，用于存储海量结构化数据的常用技术是？A.HDFSB.HBaseC.RedisD.MySQL答案：B（HBase是基于HDFS的列式数据库，适合海量结构化数据存储；HDFS是文件系统，Redis是内存数据库，MySQL是传统关系型数据库，无法处理超大规模数据）7.隐私计算中的“联邦学习”主要解决什么问题？A.提升数据计算速度B.跨机构数据协作时保护隐私C.降低数据存储成本D.增强数据可视化效果答案：B（联邦学习通过交换模型参数而非原始数据，实现不同机构间的协作建模，避免数据泄露）8.以下哪项不属于数据清洗的主要任务？A.处理缺失值B.去除重复数据C.转换数据格式D.增加数据维度答案：D（数据清洗关注数据质量提升，包括缺失值填补、异常值修正、重复数据删除、格式统一等；增加维度属于特征工程）9.衡量大数据处理系统“吞吐量”的指标是？A.每秒处理的数据量B.数据处理的延迟时间C.系统可扩展的节点数D.数据存储的冗余比例答案：A（吞吐量指单位时间内处理的数据量，延迟是处理时间，扩展性是节点规模，冗余是存储可靠性）10.以下哪种技术属于非关系型数据库（NoSQL）？A.PostgreSQLB.MongoDBC.OracleD.SQLServer答案：B（MongoDB是文档型NoSQL数据库；其余选项均为关系型数据库）11.大数据分析中，“离线处理”与“实时处理”的主要区别是？A.数据来源不同B.对延迟的要求不同C.存储介质不同D.分析目标不同答案：B（离线处理允许较高延迟（如小时级），实时处理要求低延迟（秒级或毫秒级））12.以下哪项是大数据价值密度低的典型表现？A.监控视频中仅几秒有用画面B.电商平台用户点击流数据量大C.传感器数据频率高D.社交媒体文本格式多样答案：A（价值密度低指海量数据中有效信息占比小，如监控视频大部分是冗余画面）13.Spark的核心组件RDD（弹性分布式数据集）的主要特性是？A.不可变、可分区、支持容错B.实时更新、单副本存储C.仅支持内存计算D.依赖关系复杂，难以恢复答案：A（RDD是Spark的核心抽象，具有不可变性、分区存储、通过血统（Lineage）实现容错等特性）14.数据脱敏技术中，“k-匿名”的目标是？A.确保至少k个记录无法被区分B.对数据进行k次加密C.隐藏k个敏感属性D.限制数据访问权限为k级答案：A（k-匿名要求数据集中任意一条记录的准标识符（如年龄、性别）组合在至少k条记录中出现，防止个体被识别）15.以下哪项属于大数据采集的常见工具？A.FlumeB.KafkaC.HiveD.Sqoop答案：A（Flume是日志采集工具；Kafka是消息队列，用于数据传输；Hive是数据仓库工具；Sqoop用于关系型数据库与Hadoop间的数据迁移）16.大数据分析中的“分类”任务属于？A.监督学习B.无监督学习C.强化学习D.半监督学习答案：A（分类需要训练数据包含标签（如“是/否”），属于监督学习；聚类是无监督学习）17.以下哪项不属于Hadoop生态系统组件？A.ZookeeperB.SparkC.HiveD.Flink答案：D（Hadoop生态包括HDFS、MapReduce、Hive、HBase、Zookeeper等；Flink是独立的流计算框架）18.数据湖（DataLake）与数据仓库（DataWarehouse）的主要区别是？A.数据湖存储结构化数据，数据仓库存储非结构化数据B.数据湖在存储时不定义模式（Schema-on-Read），数据仓库提前定义模式（Schema-on-Write）C.数据湖仅用于离线分析，数据仓库支持实时查询D.数据湖成本更高，数据仓库成本更低答案：B（数据湖采用读时模式，适合存储原始数据；数据仓库采用写时模式，需提前清洗、结构化）19.以下哪种场景最适合使用实时大数据处理？A.季度销售报表提供B.电商大促期间的实时库存监控C.用户年度消费行为分析D.历史气象数据建模答案：B（实时处理需低延迟，如库存监控需及时反馈；季度报表、年度分析、历史建模属于离线处理）20.大数据伦理中，“数据主权”主要指？A.数据产生者对数据的所有权和控制权B.企业对用户数据的使用权C.政府对公共数据的管理权D.技术平台对数据的存储权答案：A（数据主权强调数据主体（如个人、机构）对自身产生数据的支配权利）二、多项选择题（每题3分，共30分，少选、错选均不得分）1.大数据的关键技术体系包括以下哪些环节？A.数据采集B.数据存储C.数据处理D.数据可视化答案：ABCD（完整技术体系涵盖采集、存储、处理、分析、可视化等环节）2.以下属于分布式计算框架的有？A.MapReduceB.SparkC.HBaseD.Flink答案：ABD（HBase是数据库，非计算框架；MapReduce、Spark、Flink均为分布式计算引擎）3.数据清洗的常见方法包括？A.删除缺失值超过阈值的记录B.用均值填补数值型缺失值C.识别并修正异常值（如“年龄200岁”）D.对文本数据进行分词处理答案：ABC（分词属于自然语言处理，非数据清洗；清洗关注数据质量问题）4.隐私保护技术包括以下哪些？A.差分隐私（DifferentialPrivacy）B.同态加密（HomomorphicEncryption）C.联邦学习（FederatedLearning）D.数据脱敏（DataMasking）答案：ABCD（均为常见隐私保护技术）5.大数据在智慧城市中的应用场景包括？A.交通拥堵预测与调度B.智能电网负荷优化C.垃圾清运路线规划D.个人健康档案管理答案：ABC（健康档案管理属于医疗领域；智慧城市侧重城市公共服务）6.以下哪些是NoSQL数据库的特点？A.支持ACID事务B.灵活的模式（Schema-Free）C.横向扩展（ScaleOut）D.适合结构化数据存储答案：BC（NoSQL通常不严格支持ACID，适合非结构化/半结构化数据，支持横向扩展）7.大数据分析中，常用的机器学习算法包括？A.决策树（DecisionTree）B.K-means聚类C.线性回归（LinearRegression）D.PageRank答案：ABC（PageRank是图算法，用于网页排名；A、B、C均为机器学习算法）8.以下哪些属于大数据存储技术？A.HDFSB.列式存储（如HBase）C.对象存储（如AWSS3）D.内存数据库（如Redis）答案：ABCD（均为不同场景下的存储技术）9.数据可视化的常用工具包括？A.TableauB.PowerBIC.Python的MatplotlibD.Hadoop答案：ABC（Hadoop是计算框架，非可视化工具）10.大数据伦理风险主要包括？A.隐私泄露B.算法歧视（如推荐系统偏见）C.数据垄断（平台过度集中数据）D.数据准确性不足导致决策失误答案：ABCD（均为大数据应用中的伦理与风险问题）三、判断题（每题1分，共10分，正确填“√”，错误填“×”）1.大数据的核心是“数据量大”，因此只需关注存储能力。（×）（核心是通过分析挖掘数据价值，存储是基础能力之一）2.Hadoop的MapReduce适合处理实时流数据。（×）（MapReduce是批处理框架，延迟较高，不适合实时处理）3.数据挖掘等同于机器学习。（×）（数据挖掘是过程，包含数据清洗、特征工程、机器学习等步骤）4.NoSQL数据库完全替代了关系型数据库。（×）（两者适用场景不同，关系型数据库适合强事务场景，NoSQL适合海量非结构化数据）5.数据匿名化后可以完全防止隐私泄露。（×）（存在再识别风险，如通过准标识符关联外部数据）6.实时计算框架Flink支持事件时间（EventTime）处理。（√）（Flink支持事件时间、处理时间等多种时间语义）7.大数据分析中，样本量越大，分析结果一定越准确。（×）（需考虑数据质量、噪声等因素，大样本可能放大偏差）8.数据湖只能存储非结构化数据。（×）（数据湖可存储结构化、半结构化、非结构化等多种类型数据）9.隐私计算允许在不共享原始数据的情况下完成联合建模。（√）（如联邦学习通过交换模型参数实现协作）10.大数据技术不会对就业市场产生影响。（×）（会推动数据分析师、算法工程师等新岗位需求，同时可能替代部分传统岗位）四、简答题（每题6分，共30分）1.简述大数据的“4V”特征及其含义。答案：①大量（Volume）：数据规模巨大，从TB级到EB级；②高速（Velocity）：数据产生和处理速度快，需实时或近实时分析；③多样（Variety）：数据类型复杂，包括结构化、半结构化、非结构化数据；④价值（Value）：数据价值密度低，但通过分析可挖掘高价值信息。2.比较Hadoop（MapReduce）与Spark的主要区别。答案：①计算模型：Hadoop基于磁盘（Disk-based），Spark基于内存（In-memory）；②延迟：Spark处理迭代计算（如机器学习）延迟更低（秒级），Hadoop（分钟级）；③适用场景：Hadoop适合离线批处理，Spark适合实时处理、迭代计算、交互式查询；④编程接口：Spark支持更丰富的API（如SparkSQL、MLlib），Hadoop以MapReduce为主。3.数据清洗的主要步骤有哪些？答案：①识别问题数据：检测缺失值、异常值、重复数据；②处理缺失值：删除、填补（均值/中位数/众数）、插值法；③处理异常值：修正（如检查测量错误）、删除（如离群点）、保留（如真实极端值）；④去除重复数据：通过唯一标识（如ID）去重；⑤验证清洗结果：检查数据质量是否提升（如缺失率下降）。4.列举三种隐私计算技术，并说明其核心原理。答案：①联邦学习：不同机构在本地训练模型，仅交换模型参数（如梯度），不共享原始数据；②安全多方计算（MPC）：通过加密协议实现多方协作计算，确保任意一方无法获取其他方数据；③同态加密：允许在加密数据上直接进行计算，结果解密后与明文计算一致，保护数据隐私。5.大数据在医疗领域的应用有哪些典型场景？答案：①电子病历分析：挖掘疾病关联因素，辅助临床决策；②疾病预测：基于患者历史数据和流行病学数据预测发病风险；③药物研发：分析生物数据（如基因、蛋白）加速候选药物筛选；④流行病监测：通过社交媒体、就诊记录实时追踪传染病传播趋势。五、案例分析题（20分）某电商平台计划利用大数据优化用户购物体验，需分析用户浏览、点击、加购、支付等行为数据。假设你是该平台的数据工程师，请回答以下问题：（1）该场景需要采集哪些类型的数据？请列举至少4类。（2）若需实时分析用户行为（如“用户浏览某商品后5分钟内是否购买”），应