数据仓库与数据挖掘考试试题附答案

数据仓库与数据挖掘考试试题附答案一、单项选择题（每题2分，共20分）1.数据仓库的核心特性不包括以下哪项？（）A.面向主题B.实时更新C.集成性D.时变性2.OLAP（联机分析处理）的典型操作不包括（）A.上卷（Roll-up）B.下钻（Drill-down）C.关联（Association）D.切片（Slice）3.以下哪项是数据挖掘的无监督学习任务？（）A.分类B.回归C.聚类D.预测4.维度建模中，事实表存储的核心数据是（）A.描述性属性B.度量值C.时间戳D.维度键5.ETL过程中，“转换（Transform）”的主要目的是（）A.从多个数据源提取原始数据B.清洗、标准化和整合数据C.将数据加载到目标库D.监控数据质量6.关联规则挖掘中，支持度（Support）的计算公式是（）A.包含X和Y的事务数/总事务数B.包含X的事务中包含Y的事务数/包含X的事务数C.包含Y的事务中包含X的事务数/包含Y的事务数D.包含X或Y的事务数/总事务数7.决策树算法中，信息增益（InformationGain）用于（）A.评估属性的分裂能力B.计算模型的准确率C.确定叶节点的类别D.剪枝操作8.以下哪项不属于数据仓库的分层设计？（）A.操作数据存储（ODS）B.数据集市（DataMart）C.原始数据层（RawData）D.数据挖掘层（DM）9.K-means聚类算法的核心步骤是（）A.计算样本间的曼哈顿距离B.迭代更新簇中心C.确定最优簇数KD.计算轮廓系数10.离群点检测（OutlierDetection）在数据挖掘中的主要作用是（）A.提升模型的泛化能力B.发现数据中的异常模式C.增加数据的多样性D.简化数据维度二、填空题（每空1分，共10分）1.数据仓库的四个基本特征是面向主题、________、非易失性和________。2.OLAP的三种实现方式是________（基于多维数组）、ROLAP（基于关系数据库）和HOLAP（混合模式）。3.数据挖掘的十大经典算法包括C4.5决策树、k-NN、SVM、________（关联规则）和________（聚类）等。4.维度建模中，________模型通过维度表的层级扩展减少冗余，而________模型直接使用单一层级的维度表。5.ETL过程中，转换操作通常包括数据清洗、________、________和数据归约。6.关联规则的两个核心指标是支持度和________，后者用于衡量规则的可靠性。三、简答题（每题6分，共30分）1.简述数据仓库与传统数据库的主要区别。2.ETL过程中可能遇到的关键挑战有哪些？请列举并简要说明。3.维度建模中的星形模型与雪花模型有何差异？各自的适用场景是什么？4.关联规则挖掘的主要步骤包括哪些？请简述每一步的任务。5.分类（Classification）与聚类（Clustering）的本质区别是什么？请从目标、输入数据、方法类型三方面说明。四、应用题（每题10分，共30分）1.某家电零售企业需要构建销售分析数据仓库，现有业务数据包括：销售日期（年/月/日）、门店所在城市（一线/新一线/二线）、产品类别（冰箱/空调/洗衣机）、客户年龄（20-30/30-40/40以上）、销售额（元）、销售数量（台）、利润（元）。（1）请设计该数据仓库的维度模型，列出维度表和事实表的关键字段；（2）绘制星形架构示意图（文字描述即可）。2.某超市的购物篮数据如下（共5条事务）：T1：牛奶、面包、鸡蛋T2：牛奶、面包、洗发水T3：面包、鸡蛋、洗发水T4：牛奶、面包T5：牛奶、鸡蛋、洗发水假设最小支持度为40%（2/5），最小置信度为60%。（1）计算规则“牛奶→面包”的支持度和置信度；（2）判断该规则是否为强关联规则，并说明理由。3.某银行客户数据如下表（部分），目标是预测客户是否会申请贷款（类别：是/否）。其中“年龄”分箱为青年（≤30）、中年（31-50）、老年（>50）；“收入”分箱为低（≤5000）、中（5001-10000）、高（>10000）；“信用评分”分箱为差（≤600）、良（601-700）、优（>700）。客户ID年龄收入信用评分是否贷款1青年低差否2中年中良是3老年高优是4青年中良否5中年高优是6老年低差否7青年高优是8中年中差否（1）计算“年龄”属性的信息增益（假设初始信息熵H(S)=0.954）；（2）若仅根据信息增益，判断“年龄”是否为最优分裂属性（需给出计算过程）。五、论述题（每题10分，共20分）1.结合企业实际场景，论述数据仓库如何支持决策分析。要求从数据整合、多维分析、历史对比三个层面展开。2.数据挖掘模型评估需要考虑哪些维度？请结合分类模型和聚类模型，分别说明关键评估指标及意义。参考答案一、单项选择题1.B2.C3.C4.B5.B6.A7.A8.C9.B10.B二、填空题1.集成性；时变性2.MOLAP3.Apriori；k-means4.雪花；星形5.数据转换（或字段计算）；数据关联（或维度匹配）6.置信度三、简答题1.主要区别：（1）应用场景：数据库支持OLTP（事务处理），面向日常业务操作；数据仓库支持OLAP（分析处理），面向决策支持。（2）数据特性：数据库存储当前、细节数据，实时更新；数据仓库存储历史、集成数据，批量更新。（3）数据结构：数据库采用规范化设计（避免冗余）；数据仓库采用维度建模（支持快速查询）。（4）用户群体：数据库用户为业务操作员；数据仓库用户为管理层、分析师。2.关键挑战：（1）数据异构性：数据源可能来自不同系统（如ERP、CRM），格式、语义不一致，需统一清洗。（2）数据质量问题：存在缺失值、重复值、错误值，需设计清洗规则（如填充、去重、校验）。（3）性能瓶颈：大规模数据抽取和加载可能导致系统延迟，需优化ETL流程（如并行处理、增量更新）。（4）元数据管理：需记录数据来源、转换规则，否则影响后续分析的可追溯性。3.差异与场景：（1）星形模型：事实表直接连接维度表，维度表无层级扩展（如“时间维度”仅包含“日期”字段）；优点是查询速度快，适用于业务需求明确、维度层级简单的场景。（2）雪花模型：维度表进一步规范化（如“时间维度”拆分为“年”“季”“月”子表）；优点是减少冗余，适用于维度层级复杂、需严格数据一致性的场景。4.主要步骤：（1）数据预处理：清洗、集成购物篮数据，统一事务格式。（2）频繁项集挖掘：通过Apriori等算法，找出支持度≥最小支持度的项集（如频繁2项集）。（3）规则提供：从频繁项集中提取置信度≥最小置信度的规则（如X→Y）。（4）评估与筛选：结合提升度（Lift）等指标，排除冗余或无实际意义的规则。5.本质区别：（1）目标：分类是预测已知类别的标签；聚类是发现数据的内在分组（类别未知）。（2）输入数据：分类需要带标签的训练集；聚类仅需无标签数据。（3）方法类型：分类是监督学习（需训练模型）；聚类是无监督学习（无需先验标签）。四、应用题1.（1）维度模型设计：维度表：时间维度：日期ID、年、月、日、季度；地区维度：地区ID、城市等级（一线/新一线/二线）；产品维度：产品ID、产品类别（冰箱/空调/洗衣机）；客户维度：客户ID、年龄分段（20-30/30-40/40以上）。事实表：销售事实表（日期ID、地区ID、产品ID、客户ID、销售额、销售数量、利润）。（2）星形架构：以销售事实表为中心，通过外键（日期ID、地区ID等）分别连接时间、地区、产品、客户四个维度表，形成星型结构。2.（1）计算支持度和置信度：支持度：包含“牛奶”和“面包”的事务是T1、T2、T4，共3条；支持度=3/5=60%。置信度：包含“牛奶”的事务是T1、T2、T4、T5，共4条；其中包含“面包”的是T1、T2、T4，共3条；置信度=3/4=75%。（2）判断：支持度（60%）≥40%，置信度（75%）≥60%，因此是强关联规则。3.（1）计算信息增益：年龄分为青年、中年、老年三组：青年（客户1、4、7）：3条，其中“是”1条（客户7），“否”2条；熵H(青年)=(1/3)log₂(1/3)(2/3)log₂(2/3)≈0.918。中年（客户2、5、8）：3条，其中“是”2条（客户2、5），“否”1条；熵H(中年)=(2/3)log₂(2/3)(1/3)log₂(1/3)≈0.918。老年（客户3、6）：2条，其中“是”1条（客户3），“否”1条；熵H(老年)=(1/2)log₂(1/2)(1/2)log₂(1/2)=1.0。年龄属性的条件熵H(S|年龄)=(3/8)×0.918+(3/8)×0.918+(2/8)×1.0≈0.933。信息增益Gain(年龄)=H(S)H(S|年龄)=0.9540.933=0.021。（2）判断：需比较其他属性（如收入、信用评分）的信息增益。假设收入的信息增益为0.15，信用评分的信息增益为0.28，则“年龄”的信息增益（0.021）并非最大，因此不是最优分裂属性。五、论述题1.数据仓库支持决策分析的机制：（1）数据整合：通过ETL将分散在ERP、CRM、POS系统中的业务数据清洗、转换，统一存储到数据仓库，解决“数据孤岛”问题。例如，零售企业可整合线上、线下销售数据，形成全局视图。（2）多维分析：基于OLAP技术，支持上卷（按季度汇总月销售额）、下钻（从“华北区”细化到“北京市”）、切片（筛选“2023年Q3”的空调销售数据）等操作，帮助分析师从时间、地区、产品等多维度洞察销售趋势。（3）历史对比：数据仓库存储长期历史数据（如5-10年），支持同比（2023年Q3vs2022年Q3）、环比（2023年Q3vs2023年Q2）分析，识别季节性波动或长期增长模式。例如，通过对比春节前后各品类的销售峰值，优化下一年的库存策略。2.模型评估的多维度考量：（1）分类模型：准确率（Accuracy）：正确分类样本数/总样本数，衡量整体正确性；精确率（Precision）与召回率（Recall）：分别关注“预测为正的样本中实际为正的比例”和“实际为正的样本中被正确预测的比例”，适用于类别不平衡场景（如欺诈检测）；AUC-RO