人工智能数据工程技术试题及答案

第页人工智能数据工程技术试题及答案1、数据清洗中，处理缺失值的常用方法不包括？[单选题]*A、删除法B、均值填充法C、标签编码法(正确答案)D、中位数填充法答案解析：

标签编码法是处理分类数据的方法（将类别转换为数字）；A、B、D均为缺失值处理方法（删除含缺失值样本、用均值/中位数填充）。2、以下哪种属于结构化数据？[单选题]*A、文本日志B、表格数据（如MySQL表）(正确答案)C、图像文件D、音频文件答案解析：

结构化数据具有固定格式和字段（如表格的行/列）；A、C、D均为非结构化数据（无固定格式）。3、特征工程中“归一化（Normalization）”的目的是？[单选题]*A、增加特征维度B、将特征值映射到[0，1]区间(正确答案)C、减少特征数量D、提取特征的语义信息答案解析：

归一化（如Min-Max归一化）将特征值按“（x-min）/（max-min）”映射到[0，1]，消除不同特征的量纲影响；标准化（Standardization）映射到均值0、方差1。4、数据标注中，“边界框标注”主要用于什么任务？[单选题]*A、文本分类B、目标检测(正确答案)C、语音识别D、文本生成答案解析：

边界框标注是在图像中用矩形框标记目标的位置（如“人”“车”的坐标），用于目标检测任务；A、C、D无需边界框标注。5、ETL流程中，“T（Transform）”的核心作用是？[单选题]*A、从数据源读取数据B、将数据写入目标存储C、数据清洗、转换、整合(正确答案)D、监控数据流转状态答案解析：

ETL是Extract（抽取）→Transform（转换）→Load（加载）；Transform阶段负责数据清洗（去重、补缺失）、转换（格式统一、特征计算）、整合（多源数据关联）。6、以下哪种工具不适合用于大规模数据的ETL处理？[单选题]*A、HadoopMapReduceB、SparkC、Excel(正确答案)D、Flink答案解析：

Excel适合小规模数据处理（最大行数有限制）；MapReduce、Spark、Flink均为分布式计算框架，适合大规模ETL。7、特征工程中“独热编码（One-HotEncoding）”的适用场景是？[单选题]*A、处理连续型特征B、处理无序分类特征（如颜色：红、蓝、绿）(正确答案)C、处理有序分类特征（如等级：高、中、低）D、处理文本特征答案解析：

独热编码将无序分类特征转换为二进制向量（如“红”→[1,0,0]，“蓝”→[0,1,0]），避免模型误解类别顺序；有序分类特征适合标签编码。8、数据质量评估中，“完整性”指标是指？[单选题]*A、数据是否准确反映真实情况B、数据是否无缺失、无遗漏(正确答案)C、数据格式是否统一D、数据是否在合理范围内答案解析：

完整性衡量数据“是否完整无缺失”（如无空值、无遗漏字段）；A是准确性，C是一致性，D是有效性。9、以下哪种存储系统不适合存储大规模特征数据？[单选题]*A、HDFSB、RedisC、MySQL(正确答案)D、HBase答案解析：

MySQL是关系型数据库，单表数据量过大时查询性能下降；HDFS（分布式文件）、Redis（缓存）、HBase（列存储）均适合大规模特征存储。10、数据预处理中，“去重”操作的主要目的是？[单选题]*A、减少数据量，提升处理速度B、消除数据中的噪声C、避免模型学习重复样本的偏差(正确答案)D、统一数据格式答案解析：

重复样本会导致模型过度关注这些样本，产生偏差；A是次要目的，B是去噪的目的，D是格式统一的目的。11、特征选择中“方差过滤”的原理是？[单选题]*A、删除方差过小的特征（几乎无变化，信息量少）(正确答案)B、保留方差最大的特征C、计算特征与标签的相关性D、基于树模型的特征重要性筛选答案解析：

方差过滤通过设定阈值，删除方差小于阈值的特征（如某特征所有样本值均相同，方差为0，无信息量）；B、C、D是其他特征选择方法的原理。12、数据标注质量控制的常用方法不包括？[单选题]*A、抽样检查（抽检标注结果）B、多人标注一致性校验（如Kappa系数）C、增加标注人员数量(正确答案)D、标注规则培训与考核答案解析：

增加标注人员数量不直接提升质量；A、B、D均为质量控制方法（抽检发现错误、一致性校验确保统一、培训提升标注准确性）。13、以下哪种数据格式不适合存储大规模特征矩阵？[单选题]*A、CSV(正确答案)B、ParquetC、ORCD、TFRecord答案解析：

CSV是文本格式，存储效率低、读取慢，不适合大规模特征；Parquet、ORC是列存储格式（高效压缩），TFRecord是TensorFlow专用格式（适合特征存储）。14、ETL流程中，“增量抽取”的核心优势是？[单选题]*A、每次抽取全部数据，确保数据完整B、仅抽取新增/变化的数据，减少数据传输量(正确答案)C、无需考虑数据一致性D、实现简单，无需复杂逻辑答案解析：

增量抽取仅抽取上次抽取后新增/变化的数据（如按时间戳、自增ID），减少IO和传输量，提升效率；A是全量抽取的特点。15、特征工程中“特征交叉（FeatureCrossing）”的目的是？[单选题]*A、减少特征维度B、捕捉特征之间的非线性关系（如“年龄×收入”）(正确答案)C、处理缺失值D、统一特征量纲答案解析：

特征交叉通过将多个特征组合（如离散特征×连续特征、离散特征×离散特征），生成新特征，捕捉特征间的非线性关联（如“年轻且高收入”的用户群体）。16、以下哪种工具适合用于构建特征工程流水线（Pipeline）？[单选题]*A、PandasB、Scikit-learn(正确答案)C、NumPyD、Matplotlib答案解析：

Scikit-learn的Pipeline类可将数据预处理、特征工程、模型训练串联成流水线，避免数据泄露；Pandas/NumPy用于数据处理，Matplotlib用于可视化。17、数据存储中，“列存储”相比“行存储”的优势是？[单选题]*A、适合随机写入操作B、读取部分列时效率更高（无需读取整行）(正确答案)C、适合存储非结构化数据D、实现简单，成本低答案解析：

列存储按列存储数据，读取部分列时仅需加载对应列数据，适合特征查询（如读取“年龄”“收入”两列）；行存储适合整行读取（如事务处理）。18、数据预处理中，“离群值（异常值）”检测的常用方法是？[单选题]*A、均值填充法B、IQR法（四分位距法）(正确答案)C、独热编码法D、归一化法答案解析：

IQR法通过“Q1-1.5×IQR”和“Q3+1.5×IQR”确定异常值边界，超出边界的为离群值；A是缺失值处理，C是分类特征处理，D是特征缩放。19、大规模特征数据的“在线服务”中，特征读取的核心要求是？[单选题]*A、存储成本低B、读取延迟低（毫秒级响应）(正确答案)C、支持复杂查询D、数据压缩率高答案解析：

在线服务（如实时推荐、实时预测）需毫秒级返回特征，因此读取延迟是核心要求；Redis、Memcached等缓存工具常用于在线特征服务。20、特征工程中“PCA（主成分分析）”的主要作用是？[单选题]*A、特征选择（保留重要特征）B、特征转换（降维，保留主要信息）(正确答案)C、特征交叉（生成新特征）D、特征归一化（统一量纲）答案解析：

PCA通过线性变换将高维特征映射到低维空间，保留数据的主要信息（方差最大的方向），属于特征降维方法；A是特征选择（如方差过滤），C是特征交叉，D是归一化。21、以下哪些是Parquet或ORC等列式存储格式相比CSV的优势？*A、支持高效的数据压缩(正确答案)B、支持Schema演化(正确答案)C、查询时可只读取需要的列(正确答案)D、写入速度更快E、更节省存储空间(正确答案)答案解析：

列式存储在读写时均比CSV更高效，尤其在读取少量列和节省存储空间方面优势明显。22、MLOps（机器学习运维）流水线的主要阶段包括？*A、数据准备/特征工程(正确答案)B、模型训练与评估(正确答案)C、模型部署(正确答案)D、监控与反馈(正确答案)E、模型服务(正确答案)答案解析：

MLOps贯穿机器学习模型的整个生命周期，包括数据、模型、部署、监控的自动化与标准化。23、数据质量评估的常见维度包括？*A、准确性（Accuracy）(正确答案)B、及时性（Timeliness）(正确答案)C、一致性（Consistency）(正确答案)D、完整性（Completeness）(正确答案)E、唯一性（Uniqueness）(正确答案)答案解析：

数据质量的六大维度通常包括：准确、及时、一致、完整、有效、唯一。24、以下哪些是特征平台（FeatureStore）的核心组成部分？*A、在线特征存储（OnlineStore）(正确答案)B、离线特征存储（OfflineStore）(正确答案)C、特征计算引擎(正确答案)D、模型训练平台E、模型部署服务答案解析：

特征平台主要由在线/离线存储、特征计算/管理服务组成，用于保障特征的一致性、可复用性。25、处理不平衡数据（ImbalancedData）的常用方法有？*A、欠采样（Undersampling）(正确答案)B、过采样（Oversampling，如SMOTE）(正确答案)C、调整分类阈值(正确答案)D、使用F1分数等评估指标(正确答案)E、增大训练集答案解析：

过/欠采样是数据层面的处理，调整阈值、使用F1分数/AUC是评估层面的处理，都是应对不平衡数据的方法；E不一定能解决数据不平衡问题。26、在数据管道中，ELT（Extract,Load,Transform）模式相比ETL更适合云原生数据仓库。[判断题]*A、正确(正确答案)B、错误答案解析：

ELT利用云数据仓库强大的计算能力，先加载原始数据再进行转换，更灵活、更适合大数据和云环境。27、实时特征服务应优先使用Redis或Memcached等内存数据库来保证高读取延迟（LowLatency）。[判断题]*A、正确(正确答案)B、错误答案解析：

在线服务对延迟要求极高，内存数据库能提供毫秒级的读取性能。28、数据漂移（DataDrift）是指生产环境数据的统计特性发生变化，这不会影响已部署模型的预测性能。[判断题]*A、正确B、错误(正确答案)答案解析：

数据漂移（如用户群体特征变化）是模型性能衰减的主要原因之一，需通过模型监控及时发现。29、特征归一化（Normalization）和标准化（Standardization）是同义词，效果完全一致。[判断题]*A、正确B、错误(正确答案)答案解析：

两者不同：归一化（Min-Max）将数据映射到[0,1]；标准化（Z-Score）将数据转换为均值0、方差1。30、特征选择中的“包裹式（Wrapper）”方法（如RFE）比“过滤式（Filter）”方法计算速度更快。[判断题]*A、正确B、错误(正确答案)答案解析：

包裹式方法（如RFE）需要在每次迭代中训练模型，计算成本高、速度慢；过滤式方法（如方差过滤）基于统计指标，计算速度快。31、简述MLOps的核心目标和主要挑战。[填空题]*_________________________________(正确答案核心目标：自动化和标准化机器学习模型的整个生命周期（数据采集、模型训练、部署、监控），以实现模型的快速、可靠、持续交付。主要挑战：①特征/代码/模型版本管理复杂；②训练环境与生产环境的不一致性；③模型上线后的性能监控和数据漂移（DataDrift）检测。)答案解析：

MLOps旨在弥合数据科学、软件工程和运维之间的差距，确保模型在生产环境中的稳定性和效率。32、什么是特征平台（FeatureStore）？它解决了哪些痛点？[填空题]*_________________________________(正确答案特征平台是一种用于管理、存储和提供机器学习特征的系统。解决痛点：①**在线/离线特征不一致问题**（训练/预测特征定义不同）；②**特征重复计算**（不同模型重复计算相同特征）；③**特征复用和发现效率低**（提升特征的共享和可管理性）。)答案解析：

特征平台是MLOps体系结构中的关键组件，保障了特征在模型生命周期中的一致性和效率。33、简述数据管道/ETL流程中，数据清洗（DataCleaning）通常包括哪些操作？[填空题]*_________________________________(正确答案数据清洗是ETL的关键步骤，通常包括：①**处理缺失值**（删除、均值/中位数/众数填充）；②**处理异常值**（删除、用边界值替换）；③**处理重复数据**（删除重复记录）；④**数据格式校验和统一**（如日期格式、大小写统一）；⑤**错误数据/无效数据过滤**。)答案解析：

数据质量决定了模型的上限，数据清洗是确保模型输入数据质量的基础。34、在特征工程中，如何处理高基数（HighCardinality）的离散特征？请列举2种以上方法。[填空题]*_________________________________(正确答案高基数离散特征（如用户ID、商品S