2026年数据科学与大数据分析考试试卷及答案

2026年数据科学与大数据分析考试试卷及答案一、单项选择题（每题2分，共20分）1.在大数据场景中，通常所说的“4V”特征不包括（）。A.Volume（体量大）B.Velocity（速度快）C.Veracity（真实性）D.Value（价值高）答案：C解析：大数据的典型4V特征通常指Volume、Velocity、Variety、Value，Veracity常作为第5个V出现，并非经典4V的必要项。2.在Hadoop2.x中，HDFS默认数据块大小是（）。A.64MBB.128MBC.256MBD.512MB答案：B解析：Hadoop2.x默认块大小为128MB；Hadoop1.x默认块大小为64MB。3.下列任务中，最适合使用MapReduce离线批处理框架处理的是（）。A.实时股票行情推送B.对海量历史日志进行统计汇总C.在线支付事务处理D.用户点击页面的毫秒级响应答案：B解析：MapReduce面向离线批量处理，吞吐量高但延迟较大，不适合实时与低延迟场景。4.某特征取值为“红”“黄”“蓝”，则该特征在数据分析中一般被视为（）。A.数值型特征B.有序型特征C.名义型特征D.时间型特征答案：C解析：颜色类别之间没有大小或顺序关系，属于典型的无序类别特征，即名义型特征。5.在CRISP-DM数据挖掘流程中，数据准备（DataPreparation）阶段的直接前一个阶段是（）。A.业务理解B.数据理解C.建模D.模型评估答案：B解析：CRISP-DM的标准流程为业务理解、数据理解、数据准备、建模、评估、部署。6.在Python的pandas库中，读取CSV文件最常用的函数是（）。A.pd.read_excel()B.pd.read_csv()C.pd.read_json()D.pd.read_sql()答案：B解析：read_csv()用于读取逗号分隔的文本文件；其他函数分别用于Excel、JSON和SQL查询结果。7.皮尔逊相关系数r的取值范围是（）。A.[B.[C.(D.[答案：A解析：皮尔逊相关系数衡量两个变量的线性相关程度，r=1表示完全正相关，8.下列指标中，不适合用来评估分类模型性能的是（）。A.准确率B.召回率C.均方误差D.ROC-AUC答案：C解析：均方误差（MSE）是回归模型的常用评估指标；分类模型常用准确率、精确率、召回率、F1、ROC-AUC等。9.下列数据预处理方法中，最常用于消除不同特征之间量纲影响的是（）。A.缺失值填补B.归一化或标准化C.数据去重D.类型转换答案：B解析：归一化/标准化将不同尺度的特征缩放到相近范围，避免量纲差异主导距离或梯度计算。10.关于Spark与HadoopMapReduce的比较，下列说法正确的是（）。A.Spark不能部署在YARN上B.Spark借助内存计算更适合迭代式算法C.MapReduce的实时性优于SparkD.Spark无法处理流式数据答案：B解析：Spark将中间结果尽量驻留内存，显著提升了迭代计算效率；它也支持SparkStreaming处理流式数据，但并非天然实时性优于MapReduce。二、多项选择题（每题3分，共15分）1.下列选项中，属于大数据典型来源的有（）。A.物联网传感器采集的数据B.社交网络上的文本与图片C.电子商务平台的交易日志D.气象卫星遥感数据答案：ABCD解析：大数据来源广泛，涵盖传感器、社交网络、交易系统、遥感监测等各类数字化记录。2.在数据类型划分中，下列属于非结构化数据的有（）。A.电子邮件正文B.监控视频C.音频录音D.关系表中的用户信息记录答案：ABC解析：文本、图像、音频、视频通常没有预定义的字段结构和关系模式，属于非结构化数据；关系表记录属于结构化数据。3.下列方法中，属于特征缩放的有（）。A.Min-Max归一化B.Z-Score标准化C.独热编码D.主成分分析答案：AB解析：Min-Max归一化和Z-Score标准化都是改变特征数值尺度的操作；独热编码属于类别特征编码，主成分分析属于降维。4.关于K折交叉验证，下列说法正确的有（）。A.它比仅使用一次训练/测试划分更能充分利用有限样本B.它可以降低模型评估结果对单次随机划分的依赖C.它一定能够彻底消除模型的过拟合D.它可以用于模型超参数的选择答案：ABD解析：交叉验证让每个样本都有机会进入训练集和验证集，评估更稳定，也可辅助调参；但它不能彻底消除过拟合，只能在一定程度上进行检测。5.关于大数据存储与计算技术，下列描述正确的有（）。A.HDFS适合一次写入、多次读取的批量访问模式B.Spark支持基于内存的分布式计算C.Kafka常被用作分布式消息队列D.HBase属于传统关系型数据库答案：ABC解析：HBase是面向列的NoSQL数据库，不是关系型数据库；Kafka是分布式消息队列，常用于数据管道。三、判断题（每题1分，共10分）1.大数据具有体量大、类型多、速度快等特征，因此原始数据不需要任何预处理即可直接用于分析。答案：错误解析：原始数据通常存在缺失、重复、异常、格式不一致等问题，必须进行清洗和预处理。2.HDFS适合存储海量大文件，但对大量小文件的存储效率较低。答案：正确3.MapReduce的完整计算过程至少包含Map阶段和Reduce阶段。答案：正确4.如果两个变量的相关系数很高，则一定可以说明它们之间存在因果关系。答案：错误解析：相关不等于因果，二者可能同时受第三个变量影响，也可能存在虚假相关。5.Z-Score标准化可以将数据均值变为0，标准差变为1。答案：正确6.K-Means聚类算法属于无监督学习方法。答案：正确7.在不平衡分类问题中，模型将所有样本都预测为多数类时，准确率可能很高，但对少数类的召回率会很低。答案：正确8.饼图适合展示类别数量很多的构成比例数据。答案：错误解析：饼图在类别过多时难以分辨各部分比例，一般建议类别较少时使用，或改用条形图展示。9.SparkStreaming通过将流数据划分为小批次（micro-batch）来实现准实时流计算。答案：正确10.在数据科学项目中，保护个人隐私和遵守数据伦理是必须考虑的问题。答案：正确四、简答题（每题5分，共15分）1.简述CRISP-DM数据挖掘流程包含的六个阶段，并用一句话说明每个阶段的核心任务。答案：1.业务理解：明确业务目标与需求，将业务问题转化为数据分析问题。2.数据理解：收集、探索数据，识别数据质量与分布特征。3.数据准备：清洗、转换、构造建模所需数据集。4.建模：选择和应用合适的模型或算法。5.评估：对照业务目标评估模型效果，判断是否达到要求。6.部署：将模型应用到实际业务流程，并持续监测维护。2.写出Min-Max归一化和Z-Score标准化的计算公式，并说明二者适用场景的差异。答案：Min-Max归一化公式：xZ-Score标准化公式：x其中μ为均值，σ为标准差。差异：Min-Max归一化将数据缩放到[03.简述K-Means聚类算法的基本步骤。答案：1.确定聚类数k，并随机初始化k个簇中心。2.计算每个样本到各簇中心的距离，将其划分到距离最近的簇。3.重新计算每个簇内所有样本的均值，作为新的簇中心。4.重复步骤2和3，直到簇中心不再变化或达到预设的最大迭代次数。解析：K-Means对初始簇中心较敏感，实际应用中通常多次随机初始化并选择最优结果。五、计算与分析题（每题10分，共20分）1.已知某特征的5个观测值为2,答案：算术平均数：x总体方差：σ=样本标准差：先计算样本方差，分母使用n−ss解析：总体方差使用n作为分母，样本方差使用n−2.某二分类模型的混淆矩阵如下表所示：实际类别预测正例预测负例实际正例8020实际负例1040请计算该模型的准确率、精确率、召回率和F1答案：由混淆矩阵可知：T准确率：A精确率：P召回率：RF1F解析：准确率反映了整体预测正确的比例；精确率关注预测为正例中的真正例比例；召回率关注实际正例中被正确找出的比例；F1六、综合应用题（每题20分，共20分）1.某电商平台希望利用大数据分析预测未来30天内可能流失的用户，并提前开展优惠券、专属客服等干预。请设计一套完整的数据分析方案，要求从业务目标、数据采集、数据预处理、特征工程、建模、评估与部署七个方面展开，并说明每个方面的关键要点。答案：1.业务目标：定义“流失用户”为当前活跃但在未来30天内未发生购买行为的用户。分析目标是在用户流失前识别高风险用户，为运营干预提供依据。2.数据采集：采集用户基本信息、注册时长、登录行为日志、浏览/点击/加购/收藏记录、订单与支付记录、优惠券使用记录、客服沟通记录等。数据可来自业务数据库、日志系统和数据仓库。3.数据预处理：对缺失值、重复记录、异常值进行清洗；统一用户ID与时间字段格式；处理会话日志中的噪声数据；对类别特征进行编码；同时要避免使用未来信息，防止数据泄漏。4.特征工程：构造用户活跃度特征，如最近一次登录距今间隔、最近一次购买距今间隔；构造消费行为特征，如过去7天/30天/90天的购买频次与消费金额；构造互动特征，如浏览商品类目数、加购次数、优惠券使用率；还可构造时间窗口特征，如夜间活跃占比、周末活跃占比。5.建模：将问题建模为二分类问题，正例为流失用户，负例为未流失用户。可选择逻辑回归、随机森林、XGBoost、LightGBM等算法。针对样本不平衡问题，可采用类别权重调整、欠采样、过采样或SMOTE等方法。训练集与测试集按时间顺序划分，避免随机划分造成未来数据泄漏。6.评估：使用AUC、召回率、精确率、F17.部署与干预：将训练好的模型部署为实时评分服