大数据分析师题库（一）

1.【多选题】Hadoop 的生态系统包括（）。
A:Zookeeper
B:HBase
C:Yarn
D:Hive
正确答案：ABCD

2.【多选题】Spark 的设计遵循“一个软件栈满足不同应用场景”的理念，形成了一套完整的生态系统，具体包括（）。
A:Spark Streaming
B:Spark Core
C:Graphx
D:SparkSQL
正确答案：ABCD
答案解析：Spark 的设计遵循“一个软件栈满足不同应用场景”的理念，形成了一套完整的生态系统，Spark Core 提供内存计算框架、Spark SQL 提供了交互式数据查询、Spark Streaming 提供了流计算、MLlib 提供了机器学习、Graph 提供了图计算。

3.【多选题】关于大数据特征描述正确的是（）。
A:数据量大
B:数据价值密度低
C:数据类型多样
D:数据产生处理速度快
正确答案：ABCD
答案解析：大数据的四个特点，包含四个层面：第一，数据体量巨大。从 TB 级别，跃升到 PB 级别；第二，数据类型繁多。前文提到的网络日志、视频、图片、地理位置信息等等。第三，处理速度快。1 秒定律也是和传统的数据挖掘技术有着本质的不同。第四，价值密度低，商业价值高。以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。

4.【多选题】下列属于分布式存储技术的是（）。
A:HDFS
B:Oracle
C:GFS
D:HBase
正确答案：ACD

5.【多选题】下列属于海量日志采集工具的是（）。
A:Scribe
B:Kafka
C:Flume
D:Chukwa
正确答案：ABCD
答案解析：目前使用最广泛的、用于系统日志采集的工具有 FaceBook 的 Scribe、Apache 的 Chukwa、LinkedIn 的Kafka、Cloudera 的 Flume

6.【判断题】AnalyticDB 是阿里云提供的一种高并发低延时的 PB 级新一代云原生数据仓库。
正确答案：对

7.【判断题】DataWorks 是阿里云提供的一站式大数据开发处理平台。
正确答案：对

8.【判断题】Flink 的流水线运行时系统可以执行批处理和流处理程序，但是不支持迭代算法。
正确答案：错
答案解析：Flink 的流水线运行时系统可以执行批处理和流处理程序。Flink 运行时本身也支持迭代算法。

9.【判断题】Hadoop 是基于 Python 语言开发的，具有很好的跨平台特性。
正确答案：错
答案解析：Hadoop 是基于 Java 语言开发的，具有很好的跨平台特性。

10.【判断题】Hadoop 主要用于存储结构化数据。
正确答案：错
答案解析：Hadoop 主要用于存储结构化和非结构化数据。

11.【单选题】随着大数据时代的到来，大量（）数据库也常用于数据的采集。
A:MapReduce
B:Flink
C:Oracle
D:NoSQL
正确答案：D
答案解析：目前产生的大量 NoSQL 数据库也常用于数据的采集。

12.【单选题】数据更重要的是能满足分析需求。灵活、快速自定义数据的多种属性和不同类型，从而满足不同的分析
目标，这指的是数据采集的（）。
A:全面性
B:多维性
C:无序性
D:高效性
正确答案：B

13.【判断题】除获取海量的信息，实现数据存储外，爬虫还经常应用于大数据分析或数据挖掘中。
正确答案：对

14.【单选题】（）是当前网民们针对热点社会事件及社会政治经济状况等内容反映出的态度总和。
A:Web 挖掘
B:网络舆情
C:数据采集
D:离线浏览
正确答案：B

15.【判断题】在执行下载任务时离线浏览器不需要限定目标。
正确答案：错
答案解析：在执行时离线浏览器需要限定目标。

16.【单选题】AnalyticDB 的优势不包括（）。
A:更大规模和更快读写能力
B:更高可用和可靠性
C:更高安全
D:分布式计算能力
正确答案：D
答案解析：AnalyticDB 有很多的优势：更大规模和更快读写能力、更高可用/可靠、更高安全和简单易用。

17.【单选题】Hadoop 组件中的分布式资源管理框架是（）。
A:Flume
B:Zookeeper
C:Yarn
D:Storm
正确答案：C

18.【单选题】Maxcompute 提供的安全措施不包括（）。
A:自动存储纠错
B:沙箱机制
C:多存储备份
D:主从结构设置
正确答案：D
答案解析：Maxcompute 会提供很多的安全措施来进行保障。包括自动存储纠错、沙箱机制以及多存储备份。

19.【单选题】从数据产生速度来看，传统数据采集的数据几乎都是由人操作生成的，（）机器生成数据的效率。
A:远远快于
B:等于
C:远远慢于
D:无法确定
正确答案：C
答案解析：传统数据采集的数据远远慢于机器生成数据的效率。

20.【单选题】大数据技术的核心技术是（）。
A:分布式计算与分布式控制
B:分布式数据采集与分布式计算
C:并行计算与并行可视化
D:分布式存储与分布式计算
正确答案：D

21.【单选题】大数据在哪个领域的应用是最为成熟的（）。
A:教育领域
B:商业领域
C:医疗领域
D:智能城市领域
正确答案：B
答案解析：目前，大数据在商业领域的应用是最为成熟的。这主要有两个原因。第一个原因是商业领域变现更快，大数据能够快速、直接地体现出来价值。另外一个原因是商业领域产生的数据量非常庞大，消费者的行为都会成为对企业非常有价值的数据来源，这也让大数据能够在商业领域落地有了非常扎实的基础。

22.【单选题】关于大数据对人类思维的影响，不正确的是（）。
A:从“流程”核心转变为“数据”核心
B:由关注相关性转变为因果关系
C:从抽样转变为需要全部数据样本
D:从关注精确性转变为关注效率
正确答案：B
答案解析：大数据的四个特征带来了新的思维方式：分别是全样而非抽样；效率而非精确；相关而非因果。

23.【单选题】数据采集中数据包括 RFID 数据、（）、社交网络交互数据及移动互联网数据等海量数据。
A:智能设备
B:传感器数据
C:温湿度数据
D:日志
正确答案：B
答案解析：数据采集中数据包含各种传感器数据。

24.【单选题】下列不是用于大数据查询分析计算的产品是（）。
A:Hive
B:HBase
C:SparkSQL
D:Dremel
正确答案：B
答案解析：Hbase 是分布式存储技术。

25.【多选题】常用的数据同步方式包括（）。
A:直连同步
B:数据文件同步
C:数据库日志解析同步
D:数据中心同步
正确答案：ABC
答案解析：数据同步需要针对不同的数据类型及业务场景选择不同的同步方式，包括：直连同步、数据文件同步、数据库日志解析同步。

26.【判断题】DTS 是实时数据同步工具。
正确答案：对

27.【单选题】利用 Sqoop 进行数据同步描述错误的是（）。
A:将关系数据库数据导入 HDFS
B:将关系数据库数据导入 Hive
C:将关系数据库数据导入 HBase
D:将 HDFS 数据导入 Hive
正确答案：D
答案解析：Sqoop 是一款开源的工具，主要用于在 Hadoop 与传统的关系数据库间进行数据的传递

28.【多选题】ETL 系统的主要作用包括（）。
A:数据提取
B:数据转换
C:数据分析
D:数据装载
正确答案：ABD
答案解析：ETL，是三个英文单词 Extract-Transform-Load 的首字母缩写

29.【单选题】将原始数据进行集成、变换、维度规约、数值规约属于（）步骤的任务。
A:分类预测
B:回归预测
C:数据预处理
D:聚类挖掘
正确答案：C

30.【判断题】异常数据都是需要删除处理的。
正确答案：错
答案解析：该表述错误，如何判定和处理异常值，需要结合实际。

31.【判断题】数据融合主要针对的是语义歧义性带来的问题。
正确答案：错
答案解析：该表述错误，数据融合是一个多层次、多方面的处理过程，语义歧义性只是其中的一个方面。

32.【单选题】数据集成主要解决数据的分布性和（）问题。
A:同构性
B:异构性
C:公开性
D:一致性
正确答案：B
答案解析：异构是集成首要解决的问题

33.【判断题】Kettle 不是开源软件。
正确答案：错
答案解析：Kettle 是一个开源软件。

34.【单选题】数据规约的目的是（）。
A:填补数据中的空缺值
B:集成多个数据源的数据
C:得到数据集的压缩表示
D:规范化数据
正确答案：C

35.【多选题】（）是数据变换可能涉及的内容。
A:属性构造
B:数据压缩
C:数据概化
D:规范化
正确答案：ACD
答案解析：数据压缩属于规约操作

36.【单选题】（）通过将属性域划分为区间，从而减少给定连续值的个数。
A:概念分层
B:离散化
C:分箱
D:直方图
正确答案：B

37.【单选题】下列数据预处理任务，（）可以用来平滑数据，消除数据噪声。
A:数据清洗
B:数据集成
C:数据变换
D:数据规约
正确答案：A
答案解析：消除噪声属于数据清洗阶段的任务

38.【多选题】下列关于数据库系统特点描述正确的是（）。
A:数据结构化
B:数据没有冗余
C:数据独立性高
D:数据共享性高
正确答案：ACD
答案解析：数据库系统具有下列特点：可以应用于大规模数据管理；数据由数据库管理系统统一管理和控制；可以进行联机实时处理、分布处理和批处理；数据结构化，不仅数据内部是结构化，而且数据之间有联系；数据独立性高：数据独立性包括数据的物理独立性和逻辑独立性；数据的共享性高；数据冗余度低，易扩充。

39.【判断题】数据库是可共享、具有独立性的数据集合。
正确答案：对
答案解析：数据库是长期保存在计算机内的、有组织的、可共享的大量数据的集合。

40.【多选题】下列属于分布式文件系统的是（）。
A:GFS
B:FAT32
C:HDFS
D:TFS
正确答案：ACD
答案解析：常见的分布式文件系统有，GFS、HDFS、TFS 等，它们都不是系统级的分布式文件系统，而是应用级的分布式文件存储服务，各自适用于不同的领域。

41.【单选题】关于分布式数据库描述错误的是（）。
A:应用程序可以对数据库进行透明操作
B:数据存储在局部数据库中
C:所有数据由 DDBS 统一管理
D:局部数据库可以运行在不同操作系统上
正确答案：C
答案解析：分布式数据库系统（DDBS）包含分布式数据库管理系统（DDBMS）和分布式数据库（DDB)。在分布式数据库系统中，一个应用程序可以对数据库进行透明操作，数据库中的数据分别在不同的局部数据库中存储、由不同的 DBMS 进行管理、在不同的机器上运行、由不同的操作系统支持、被不同的通信网络连接在一起。

42.【单选题】下列属于桌面数据库的是（）。
A:dBase
B:Oracle
C:DB2
D:MySQL
正确答案：A
答案解析：桌面数据库，例如 Access、FoxPro 和 dBase 等

43.【多选题】下列属于关系数据库完整性约束的是（）。
A:实体完整性
B:参照完整性
C:用户自定义完整性
D:应用程序定义完整性
正确答案：ABC
答案解析：关系模型的数据完整性约束主要包括实体完整性约束、参照完整性约束和用户自定义完整性约束三种

44.【单选题】下列哪项不是用于数据查询（）。
A:Union
B:DELETE
C:SELECT
D:Project
正确答案：B
答案解析：数据查询包括传统的并（Union）、交（Intersection）、差（Difference）等集合运算，以及选择（Select）、投影（Project）、连接（Join）、除（Divide）等专门的关系运算。

45.【单选题】下列关于 SQL 语言描述不正确的是（）。
A:面向集合的操作方式
B:既是自含式语言，又是内嵌式语言
C:高度过程化语言
D:将各种操作融为一体
正确答案：C
答案解析：SQL 语言之所以能成为关系数据库的标准语言，并得到广泛的应用，其原因在于 SQL 语句具有以下特
点。（1）功能一体化：几乎涵盖了对数据库的所有操作，语言风格统一。
（2）高度的非过程化：在使用 SQL 语言操作数据库时，用户只需要说明“做什么”，而不需要说明“怎样做”。用户任务的实现对用户而言是透明的，由系统自动完成。这大大减轻了用户的负担，同时降低了对用户的技术要求。
（3）面向集合的操作方式：SQL 语言采用集合操作方式，不仅查询结果可以是多条记录的集合，而且一次插入、删除、修改操作的对象也可以是多条记录的集合。面向集合的操作方式极大地提高了对数据操作的效率。
（4）多种使用方式：SQL 语句既是自含式语言，又是嵌入式语言。SQL 语言可以直接以命令方式与数据库进行交互，也可以嵌入其他的高级语言中使用。
（5）简洁、易学：SQL 语言命令数量有限，语法简单，接近于自然语言，因此容易学习和掌握。

46.【判断题】NoSQL 数据库就是指所有不使用 SQL 语句的数据库。
正确答案：错
答案解析：NoSQL 是 Not Only SQL 的缩写，意味着“不仅仅是 SQL”，是对不同于传统的关系型数据库的数据库管理系统的统称，适用于超大规模数据的存储。

47.【判断题】对于频繁进行读写的应用，可以使用 HBase 数据库。
正确答案：错
答案解析：列族数据库的典型应用为：分布式数据存储与管理、数据在地理上分布于多个数据中心的应用程序、可以容许副本中存在短期不一致情况的应用程序、拥有动态字段的应用程序、拥有潜在大量数据的应用程序，大到几百 TB 的数据等。

48.【多选题】下列属于键值数据库的有（）。
A:BigTable
B:HBase
C:Redis
D:SimpleDB
正确答案：CD
答案解析：键值数据库的相关产品包括 Redis、SimpleDB、Memcached 等

49.【单选题】下列属于列族数据库的是（）。
A:HBase
B:Redis
C:MySQL
D:MongoDB
正确答案：A
答案解析：列族数据库的相关产品包括：BigTable、HBase、Cassandra 等。

50.【单选题】下列属于图形数据库的是（）。
A:HBase
B:MongoDB
C:Neo4J
D:Oracle
正确答案：C
答案解析：图数据库的相关产品包括：Neo4J、OrientDB、InfoGrid、GraphDB 等。

51.【单选题】下列不属于 NoSQL 数据库的 CAP 特性的是（）。
A:一致性
B:分区容错性
C:可用性
D:扩展性
正确答案：D
答案解析：CAP 是指分布式系统中的一致性（Consistency）、可用性（Availability）、分区容错性（Partition tolerance）。

52.【判断题】HBase 是一个分布式数据库，可以运行在不同的平台上。
正确答案：错
答案解析：HBase 是一个分布式数据库，只能运行在 hadoop 平台上。

53.【多选题】关于 HBase 数据库的数据模型描述正确的是（）。
A:通过行键、列族、列限定符和时间戳四维确定一个单元值
B:行键不能重复
C:每个 HMaster 保存一个 Hlog 文件
D:列族限定符数量无限制
正确答案：ABD
答案解析：在 HBase 中，数据存储在具有行与列的表中，这与关系数据库（RDBMS）很相似，但两者是不同的。在关系数据库中，通过行与列二维确定一个单元值，而在 HBase 中是通过行键、列族、列限定符和时间戳四维确定一个单元值。HBASE 数据模型由表 、行、行键、列族、列限定符、单元格和时间戳等元素组成。
表（table）：HBase 采用表来组织数据，表由行和列组成，列划分为若干个列族。例如学生表 student。
①行键（Row Key）：每个 HBase 表都由若干行组成，每个行由行键（row key）来标识。
②列族（Column Family）：一个 HBase 表被分组成许多“列族” 的集合，它是基本的访问③控制单元和存储单元。 Hbase 中每个列都属于某个列族。
④列限定符（Column Qualifier）：列族里的数据通过列限定符来定位。列限定符不用预先定义，要不需要在不同行之间保持一致。
⑤单元格（cell）：在 HBase 表中，通过行键、列族和列限定符确定一个“单元格”，单元格中存储的数据没有数据类型，都是未经解释的字节数组 byte[]。
⑥时间戳：每个单元格都保存着同一份数据的多个版本，这些版本采用时间戳进行索引。

54.【判断题】HBase 数据库中，用户读写操作通过 HMaster 实现。
正确答案：错
答案解析：HBase 数据库中，用户读写操作通过 HRegionServer 实现。

55.【单选题】关于 HBase 数据库中 Region 的描述，正确的是（）。
A:每个表对应一个 Region
B:一个 Region 只能存储在一个 HRegionServer 上
C:Region 分裂后，新旧 Region 同时在线
D:每个 Region 包含一个列族
正确答案：B
答案解析：在表初建时只有一个 Region，随着数据不断插入，Region 不断增大，当增大到指定阀值（默认256M）的时候，HBase 会使用中间的行键将表水平拆分成两个新的Region。随着表中数据的不断增多，会逐渐拆分成若干个 Region，即一个表的数据被保存到多个 Region 中。每个 Region 保存一个表中某段连续的数据。每个Region 都有一个唯一的 RegionID。

56.【多选题】下列属于分布式计算的应用是（）。
A:分析来自外太空的电讯号
B:高精度圆周率的求值
C:寻找超过 1000 万位数字的梅森质数
D:寻找并发现对抗艾滋病病毒更为有效的药物
正确答案：ACD
答案解析：目前，分布式计算可以用来分析来自外太空的电讯号，寻找隐蔽的黑洞，探索可能存在的外星智慧生命；可以寻找超过 1000 万位数字的梅森质数；也可以寻找并发现对抗艾滋病病毒的更为有效的药物。这些项目都很庞大，需要惊人的计算量，仅仅由单个的电脑或个人在一个能让人接受的时间内计算完成是绝不可能的。

57.【多选题】下列哪些是采用并行运算的原因（）。
A:节约时间和成本
B:提高并发性
C:更好地利用并行硬件
D:充分利用局部的资源
正确答案：ABC
答案解析：为利用并行计算，通常计算问题表现为以下特征: 将工作分离成离散部分，有助于同时解决; 随时并及时地执行多个程序指令; 多计算资源下解决问题的耗时要少于单个计算资源下的耗时。

58.【单选题】下列哪项不是 MapReduce 执行过程中必需的（）。
A:数据输入，对数据进行分片
B:Map 任务输出中间键值对
C:Shuffle 任务对数据进行合并
D:Reduce 任务对数据进行汇总输出
正确答案：C
答案解析：MapReduce 执行过程中，combiner 过程是可选的

59.【判断题】在 MapReduce 计算模型中，数据经过 Reduce 阶段处理后传送给 Map 阶段继续处理。
正确答案：错
答案解析：在 MapReduce 计算模型中，数据经过 Map 阶段处理后传送给 Reduce 阶段继续处理。

60.【单选题】下列关于 MapReduce 任务描述不正确的是（）。
A:不同的 Map 任务之间不会进行通信
B:不同的 Reduce 任务之间不会发生任何信息交换
C:Map 需要考虑数据全局性
D:用户不能显式地从一台机器向另一台机器发送消息
正确答案：C
答案解析：在 MapReduce 工作工作中：
①不同的 Map 任务之间不会进行通信。
②不同的 Reduce 任务之间也不会发生任何信息交换。
③Map 需要考虑数据局部性，Reduce 无需考虑数据局部性。
④用户不能显式地从一台机器向另一台机器发送消息。
⑤所有的数据交换都是通过 MapReduce 框架自身去实现的。

61.【单选题】数据合并（combine）是 MapReduce Shuffle 中一个重要环节，下列哪种应用不适合采用数据合并（）。
A:求平均值
B:求最大值
C:求最小值
D:求和
正确答案：A
答案解析：combiner()函数并不适合所有的 MapReduce 应用，只适合具有结合律的操作，如求和、求最大值、求最小值等，但是，求平均值就不能进行合并运算了。

62.【判断题】Spark 基于硬盘计算的大数据并行计算框架，可用于构建大型的、低延迟的数据分析应用程序。
正确答案：错
答案解析：Spark 是基于内存计算的。

63.【单选题】在架构设计上，Spark 是以（）作为资源分配单位。
A:块（block）
B:槽（slot）
C:Map 槽
D:Reduce 槽
正确答案：B
答案解析：Spark 与 MapReduce1.0 完全一致，都是由一个 Master 和若干个 Slave 构成，并且以槽（slot）作为资源分配单位。不同的是，Spark 中的槽不再像 MapReduce1.0 那样分为 Map 槽和 Reduce 槽。

64.【多选题】Spark 的部署模式有（）。
A:本地模式
B:standalone 模式
C:spark on yarn 模式
D:mesos 模式
正确答案：ABCD
答案解析：Spark 应用程序在集群上部署运行时，可以由不同的组件为其提供资源管理调度服务（资源包括 CPU、内存等）。比如，可以使用自带的独立集群管理器（standalone），或者使用 YARN，也可以使用 Mesos。因此，Spark 除了本地部署外，包括三种不同类型的集群部署方式，包括 standalone、Spark on Mesos 和 Spark on YARN。

65.【单选题】在电商平台常用数据指标中，下列属于描述用户特征的基础指标的是（）。
A:跳出率
B:平均访问时长
C:次日留存
D:独立访客
正确答案：C
答案解析：跳出率、平均访问时长和独立访客属于网页相关的指标，只有次日留存率是描述用户特征的。

66.【单选题】关于探索性指标和报告性指标的描述错误的是（）。
A:探索性指标是推测性质的，去发现一些未知的东西
B:报告性指标是关于公司日常运营、管理相关的指标
C:营业额属于报告性指标
D:销售量属于探索性指标
正确答案：D
答案解析：销售额和销售量都属于报告性指标。

67.【多选题】指标除了指标名称和计量单位、指标数值之外，还包括哪些（）。
A:计算方法
B:取值范围
C:时间限制
D:空间限制
正确答案：ACD
答案解析：指标的组成：指标名称、计量单位、指标数值、计算方法、时间限制和空间限制。

68.【多选题】下列关于 OLAP 和 OLTP 的说法正确的是（）。
A:OLAP 主要面向业务系统
B:OLTP 主要面向业务系统
C:OLAP 主要进行数据分析
D:OLTP 主要进行数据分析
正确答案：BC
答案解析：OLAP 是联机分析处理，OLTP 是联机事务处理。

69.【单选题】关于 Hive 下列描述正确的是（）。
A:Hive 支持分区
B:关系型数据不支持分区
C:Hive 延迟低
D:关系型数据库延迟高
正确答案：A
答案解析：Hive 和关系型数据库都支持分区，Hive 延迟高，关系型数据库延迟低。

70.【多选题】Hive 的主要功能包括（）。
A:管理数据库
B:管理表
C:管理数据
D:管理视图
正确答案：ABCD

71.【单选题】Hive 中查看数据库信息的关键字是（）。
A:create
B:describe
C:alter
D:drop
正确答案：B

72.【单选题】Hive 中修改分区信息使用的关键字是（）。
A:create
B:alter
C:update
D:drop
正确答案：B
答案解析：Hive 中修改表结构、修改分区和修改列都使用 alter table…。

73.【单选题】根据唇腭裂儿童语音，判断他的恢复程度，应该属于什么类型的任务（）。
A:回归任务
B:分类任务
C:聚类任务
D:强化学习
正确答案：B

74.【单选题】某人通过对前人航海日志的分析，绘制了新的航海路线图，标明了大风与洋流可能发生的地点。这体现了大数据分析理念中的（）。
A:在数据基础上倾向于全体数据而不是抽样数据
B:在分析方法上更注重相关分析而不是因果分析
C:在分析效果上更追究效率而不是绝对精神
D:在数据规模上强调相对数据而不是绝对数据
正确答案：B
答案解析：相关性

75.【单选题】线性回归能完成的任务是（）。
A:预测离散值
B:预测连续值
C:分类
D:聚类
正确答案：B

76.【判断题】在聚类分析当中，簇内的相似性越大，簇间的差别越大，聚类的效果就越差。
正确答案：错
答案解析：该表述错误，簇内的相似性越大，簇间的差别越大，聚类的效果就越好。

77.【多选题】使用下列哪几种可视化工具不需要有编程基础（）。
A:Processing
B:Quick BI
C:matplotlib
D:Data V
正确答案：BD
答案解析：QuickBI 和 Data V 分别是阿里云的可视化工具和数字大屏工具，都不需要编程。

78.【单选题】现在需要分析商品销量随时间的变化，预测未来的销售情况，可使用哪种可视化图形（）。
A:饼图
B:散点图
C:线图
D:柱图
正确答案：C
答案解析：使用线图可以看出数据变化的趋势，可以对未来进行预测。

79.【单选题】散点矩阵图用于哪种类型的数据（）。
A:时间数据
B:比例数据
C:关系数据
D:文本数据
正确答案：C
答案解析：散点矩阵用于表示多维数据中任意两个维度之间的关系。

80.【判断题】数据分析报告的标题通常可以是解释基本观点的、提出问题的、交代分析主题和概括主要内容。
正确答案：对