2026年数据科学与大数据技术课程期末考试试题及答案

2026年数据科学与大数据技术课程期末考试试题及答案一、单项选择题（每题2分，共20分）1.下列不属于大数据核心5V特征的是？A.Volume（大量）B.Velocity（高速）C.Visibility（可见性）D.Value（低价值密度）答案：C解析：大数据的5V特征为Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性），可见性不属于核心特征。2.Hadoop生态中，负责分布式资源调度与集群管理的核心组件是？A.HDFSB.YARNC.MapReduceD.HBase答案：B解析：YARN是Hadoop2.0引入的统一资源调度框架；HDFS是分布式文件系统，负责存储；MapReduce是批处理计算框架；HBase是分布式列存储数据库。3.下列数据挖掘任务中，属于无监督学习范畴的是？A.用户流失预测B.信用卡欺诈检测C.客户价值分群D.二手房价格预测答案：C解析：客户分群属于聚类任务，无需标注标签，是典型的无监督学习；其余三项均为监督学习任务（分类/回归）。4.线性回归模型中，用于衡量模型拟合优度的核心指标是？A.准确率B.召回率C.R2D.F1值答案：C解析：R2决定系数用于评价回归模型的拟合效果，取值范围为[5.下列NoSQL数据库中，属于键值存储类型的是？A.MongoDBB.RedisC.Neo4jD.HBase答案：B解析：Redis是典型的键值存储数据库；MongoDB属于文档型存储；Neo4j属于图数据库；HBase属于列存储数据库。6.MapReduce计算框架的执行流程中，负责将中间键值对按键分组、排序的核心阶段是？A.Map阶段B.Shuffle阶段C.Reduce阶段D.Output阶段答案：B解析：Shuffle阶段连接Map与Reduce，负责将Map输出的中间结果按键分区、排序、合并，确保相同键的数据发送至同一个Reduce任务。7.数据预处理过程中，下列方法不属于缺失值处理手段的是？A.均值/中位数填充B.众数填充C.删除含缺失值的样本D.Z-score标准化答案：D解析：Z-score标准化是数据变换方法，用于统一特征量纲，不属于缺失值处理方法。8.主成分分析（PCA）的核心功能是？A.提升分类模型准确率B.实现高维数据降维C.检测数据异常值D.划分样本类别答案：B解析：PCA是最常用的无监督降维算法，通过线性变换将高维数据映射到低维空间，同时尽可能保留数据的方差信息。9.从总体中随机抽取样本量为n的样本，若总体方差已知为σ2A.zB.zC.tD.t答案：B解析：总体方差已知时使用Z分布构建置信区间，95%置信水平对应双侧显著性水平α=0.05，分位点为上α/10.下列行为中，违反数据伦理与个人隐私保护要求的是？A.对用户身份证号、手机号等敏感数据脱敏后再用于分析B.获得用户明确授权后收集其APP行为数据C.将用户原始交易数据未经脱敏直接提供给第三方合作方D.采用联邦学习技术在不交换原始数据的前提下开展联合建模答案：C二、多项选择题（每题3分，共15分，多选、少选、错选均不得分）1.下列属于分布式大数据计算框架的有？A.SparkB.FlinkC.MySQLD.MapReduce答案：ABD解析：MySQL是单机关系型数据库，不属于分布式计算框架；Spark、Flink是主流内存式分布式计算框架，MapReduce是Hadoop原生批处理计算框架。2.数据预处理的核心任务包括？A.数据清洗B.数据集成C.数据变换D.数据归约答案：ABCD解析：数据预处理包含四大核心步骤：数据清洗（处理缺失值、异常值、重复值）、数据集成（合并多源数据）、数据变换（标准化、归一化、编码等）、数据归约（降维、抽样等减少数据量）。3.下列算法中，属于监督分类算法的有？A.K近邻（KNN）B.C4.5决策树C.K-MeansD.逻辑回归答案：ABD解析：K-Means是无监督聚类算法；KNN、决策树、逻辑回归均为典型的监督分类算法。4.下列属于大数据存储技术或架构的有？A.分布式文件系统HDFSB.分布式列存储数据库HBaseC.数据湖（DataLake）D.数据仓库（DataWarehouse）答案：ABCD解析：HDFS是底层分布式文件存储，HBase是结构化分布式数据库；数据湖和数据仓库是两种主流的大数据存储架构，分别适配非结构化原始数据存储与结构化分析场景。5.下列关于数据可视化适用场景的说法，正确的有？A.柱状图适合比较不同类别数据的数值大小B.折线图适合展示数据随时间的变化趋势C.散点图适合展示两个连续变量之间的相关性D.饼图适合展示各部分占总体的比例关系答案：ABCD三、判断题（每题1分，共10分）1.HDFS是一种高可靠、高吞吐量的分布式文件系统，特别适合存储大量小文件。答案：错误解析：HDFS适合存储大文件，大量小文件会导致NameNode元数据存储压力剧增，严重降低集群性能。2.K-Means聚类算法属于监督学习，训练时需要使用带标签的样本数据。答案：错误解析：K-Means是无监督学习算法，无需标注标签，通过样本间的距离自动划分类簇。3.Spark比HadoopMapReduce运算速度更快的核心原因是Spark基于内存计算，大幅减少了磁盘I/O开销。答案：正确4.关联规则挖掘中，置信度表示所有事务中同时包含A和B的概率。答案：错误解析：题干描述的是支持度；置信度是指在包含A的事务中同时包含B的条件概率。5.数据清洗仅需要处理缺失值，不需要处理异常值和重复数据。答案：错误解析：数据清洗的任务包括处理缺失值、异常值、重复值、不一致数据等多类问题。6.NoSQL数据库可以完全替代关系型数据库，是大数据时代唯一的存储方案。答案：错误解析：NoSQL与关系型数据库各有适用场景，二者是互补关系，而非替代关系。7.深度神经网络的参数量越多，模型的泛化能力一定越强。答案：错误解析：参数量过多可能导致模型过拟合，反而降低在未知数据上的泛化能力。8.在A/B测试中，当p值小于预设的显著性水平（通常为0.05）时，认为对照组与实验组的差异具有统计显著性。答案：正确9.数据中台的核心价值是整合企业全域数据，实现数据的资产化、服务化，支撑业务快速调用。答案：正确10.差分隐私技术通过在数据或计算结果中添加噪声来保护用户隐私，同时在一定程度上保证分析结果的可用性。答案：正确四、简答题（每题5分，共15分）1.请简述大数据5V特征的具体含义。答案：(1)Volume（大量）：数据规模巨大，量级从TB级到PB级甚至更高；(2)Velocity（高速）：数据产生、传输与处理的速度快，要求实时或近实时响应；(3)Variety（多样）：数据类型丰富，涵盖结构化、半结构化、非结构化三类数据；(4)Value（低价值密度）：单位数据的价值密度低，需要通过分析挖掘才能提取有效价值；(5)Veracity（真实性）：数据存在噪声、不一致、不确定等问题，真实性难以保证。解析：每点1分，表述意思相近即可得分。2.请简述监督学习与无监督学习的核心区别，并各列举2种典型算法。答案：核心区别：监督学习需要基于带标签的训练数据学习，目标是建立输入到输出的映射关系；无监督学习使用无标签数据学习，目标是发现数据内部的结构、模式或分布规律（3分）。监督学习典型算法：线性回归、逻辑回归、决策树、随机森林、支持向量机等（任举2种得1分）；无监督学习典型算法：K-Means聚类、DBSCAN、主成分分析（PCA）、关联规则挖掘等（任举2种得1分）。解析：核心区别需明确"是否依赖标签"和"学习目标"两个关键要点，算法举例符合类别即可得分。3.请简述面向事务的数据库（OLTP）与面向分析的数据仓库（OLAP）的核心差异。答案：(1)定位不同：OLTP数据库面向日常业务交易处理，支持增删改查操作；OLAP数据仓库面向决策分析，支持复杂查询与统计计算；(2)数据特征不同：OLTP存储实时、最新的明细数据，数据量较小；数据仓库存储历史、集成的多源数据，包含明细与汇总数据，数据量巨大；(3)设计模式不同：OLTP采用范式化设计（如第三范式），减少数据冗余；数据仓库采用星型/雪花模型的维度建模，优化分析查询效率；(4)并发特性不同：OLTP支持高并发短事务；数据仓库并发量低，以长查询、批量计算为主。解析：每点1.25分，答对4点得满分，表述合理即可。五、计算与编程题（每题10分，共20分）1.某数据集包含14条样本，用于判断用户是否会打高尔夫球，其中"打高尔夫"的正例有9个，负例有5个。已知按"天气"属性可将样本分为3组：•天气为"晴"的样本共5个，其中正例2个，负例3个；•天气为"阴"的样本共4个，其中正例4个，负例0个；•天气为"雨"的样本共5个，其中正例3个，负例2个。请计算"天气"属性对应的信息增益（信息熵公式为H(答案：第一步，计算根节点的信息熵H(D)：正例比例H（3分）第二步，计算按"天气"属性划分后的条件熵H(-晴子集：占比5/14，子集熵-阴子集：占比4/14，子集熵-雨子集：占比5/14，子集熵条件熵：H（4分）第三步，计算信息增益：G（3分）最终结果："天气"属性的信息增益约为0.25比特。解析：信息增益是ID3决策树选择划分属性的核心指标，等于划分前根节点熵与划分后条件熵的差值，计算时需注意对数以2为底，结果保留两位小数即可得分。2.现有某电商平台2025年销售数据集sales.csv，包含字段：order_id（订单号）、user_id（用户ID）、category（商品类别）、amount（订单金额）、order_date（订单日期）、region（区域）。其中amount字段存在约5%的缺失值。请使用Python的pandas库完成以下操作，写出核心代码：(1)读取sales.csv文件，存储为DataFrame对象df；(2)用amount字段的中位数填充该列的缺失值；(3)筛选出2025年6月及以后、区域为"华东"的订单记录；(4)按商品类别category分组，统计每个类别的总销售额和订单数量，结果按总销售额降序排序。importpandasaspd

#(1)读取数据

df=pd.read_csv('sales.csv')#2分

#(2)中位数填充缺失值

df['amount']=df['amount'].fillna(df['amount'].median())#2分

#(3)筛选2025年6月及以后、华东区域的订单

df['order_date']=pd.to_datetime(df['order_date'])

filtered_df=df[(df['order_date']>='2025-06-01')&(df['region']=='华东')]#3分

#(4)分组统计并排序

result=filtered_df.groupby('category')['amount'].agg(

总销售额='sum',

订单数量='count'

).sort_values(by='总销售额',ascending=False)#3分解析：本题考查pandas常用数据处理操作，需注意日期格式转换、多条件布尔索引的括号使用、groupby多指标聚合的写法，以及排序参数的正确设置。六、综合分析题（共20分）1.某连锁餐饮企业计划构建会员用户流失预测模型，用于提前识别可能流失的高价值用户，并针对性推送优惠券以降低流失率。请结合数据科学项目全流程，完成以下分析：(1)请明确该项目的业务目标与模型评价指标（4分）；(2)请列出至少5类需要采集的用户相关数据，并说明每类数据的作用（6分）；(3)请选择2种适合该场景的预测模型，并说明选择理由（5分）；(4)模型上线后，除了预测准确率，还需要关注哪些业务层面的效果指标？请列举3个并说明含义（5分）。答案：(1)业务目标与评价指标（4分）：业务目标：基于历史用户行为数据构建预测模型，提前识别未来3个月内可能流失的会员用户，辅助运营团队开展精准挽留，力争将整体高价值用户流失率降低15%以上（2分，表述合理即可）。模型评价指标：由于用户流失场景通常存在样本不平衡（流失用户占比低），优先采用AUC-ROC、召回率（尽可能多识别真实流失用户，减少漏判）、F1值作为核心评价指标，同时关注精确率以控制挽留成本（2分，答出2个以上合理指标即可）。(2)需采集的数据及作用（6分，每点1.2分，答出5点及以上得满分，合理即可）：①用户基础属性数据：包括年龄、性别、会员等级、注册时长、常用门店等，用于分析不同特征群体的流失规律；②用户消费行为数据：包括近3/6/12个月的消费频次、消费金额、客单价、最近一次消费时间（即RFM特征），是预测流失的核心特征；③用户互动行为数据：包括小程序/公众号登录频次、优惠券领取与使用率、推送消息点击率等，反映用户的活跃程度与品牌关注度；④服务体验数据：包括用户的订单评价、退单/投诉记录、客服咨询记录等，反映用户对服务的满意度；⑤菜品偏好数据：包括用户常点菜品类别、口味偏好、消费时段等，用于分析产品因素对流失的影响；⑥外部环境数据：包括门店周边竞