BI数据分析笔试题及答案（华为音乐外包）

参考文章地址

​ 空间场数据：通过空间维度与属性的特征共同命名 ​ 场数据大多与时间、空间、地理位置有关 ​ 等高线图、曲面图、矢量场图都是可视化空间数据的技术 ​ 时间概念为我们所定义，本质可以描述为物质连续运动的过程 参考文章地址

​ 符号 Xi 的信息定义为： I ( X i ) = − l o g 2 p ( X i ) I(X_i) = -log_2p(X_i) I(Xi​)=−log2​p(Xi​) ​ 其中 p(Xi) 是选择该分类的概率

​ 信息永远大于等于0，确定事件p=1，信息 Xi = 0；

参考文章地址

​ 基本元数据包括关于装载、更新处理、分析处理、及管理方面的信息

​ 举例：下载的一首歌，歌曲文件是一种数据，而描述这首歌的相关信息就是该数据的数据，术语称为元数据。

​ 粒度是指数据仓库小数据单元的详细程度和级别

​ 数据越详细，粒度越小，级别越高

​ 粒度的具体划分将直接影响数据仓库中的数据量及查询质量

​ 数据预处理的常用流程为：去除唯一属性、处理缺失值、属性编码、数据标准化正则化、特征选择、主成分分析。

​ 常见数据预处理方法：

​ 数据清洗

​ 缺失值处理：删除变量、统计量填充、哑变量填充

​ 离群值处理

​ 噪声处理

​ 数据集成

​ 实体识别问题

​ 冗余问题

​ 数据值的冲突和处理

​ 数据规约

​ 维度规约

​ 维度变换：主成分分析、因子分析、奇异值分解、聚类、线性组合、流行学习

​ 数据变换

​ 规范化处理

​ 离散化处理

​ 稀疏化处理

​ 估计遗漏值一般在调研或者取样初期确定，数据处理阶段应该是对遗漏值进行插补，有疑问，待后续求证！？

二元属性：取值为0或者1的属性，所以也成为布尔属性

对称二元属性：属性的两个状态的权重相同，例如：“性别”这一属性的取值“男性”，“女性”。

非对称二元属性：即状态的权重不相同，例如：“HIV”有“阴性”和“阳性”，阳性比较稀少，更重要。

因此，只有非零值才重要的二元属性被称作非对称二元属性。

下面不属于创建新属性的相关方法的是 ：特征修改

特征提取：是指从原始数据抽取新特征（一般会通过降维的方式进行）

特征构造：是从原始数据构造新特征的处理过程

映射数据到新的空间：新空间即新的维度，也就是产生了新的特征属性

​ Knowledge Discovery in Database–数据挖掘与知识发现

简单抽样（有放回和无放回）

分层抽样

渐进抽样

​ 在数据挖掘中，抽样是一种有效的数据压缩工具。基于抽样的挖掘方法可显著减少挖掘的输入/输出开销和计算代价，而且基于抽样挖掘算法只需要处理初始数据库中的一个小的数据集，达到很好的精确度、极少的计算开销。但是如何选择一个合适的样本尺寸，往往很难确定。这时我们可以通过渐进式抽样，找出最佳样本大小。渐进式抽样过程是从数据的初始样本开始，然后渐进式地增加样本的大小，直到获得一个可接收的精度。

系统抽样

簇抽样

蓄水池抽样

在抽样方法中，当合适的样本容量很难确定时，可以使用的抽样方法是渐进抽样。

K-Means–K均值聚类算法

均值漂移聚类

DBSCAN–基于密度的算法

用高斯混合模型（GMM）的最大期望（EM）聚类

凝聚层次聚类

图团体检测（graph community detection）

二分K均值，MST 都属于分裂的层次聚类算法。

聚类算法：K均值，DBSCAN，Jarvis-Patrick

Ward方法：将两个簇的邻近度定义为两个簇合并时导致的平方误差的增量，它是一种凝聚层次聚类技术。

组平均：将两个簇的邻近度定义为不同簇的所有点对的平均逐对邻近度，它是一种凝聚层次聚类技术。

聚类分析中 min(单链)、Chameleon等技术可以处理任意形状的簇

簇有效性的面向相似性的度量包括：Rand统计量，Jaccard系数

预测准确度，模型描述的简洁度，计算复杂度

其支持度小于阈值，对异常数据项敏感

离群点检测方法：

​ 基于统计学方法：

​ 参数方法：一元正态分布、马哈拉诺比斯距离（检测多元离群点）

​ 非参数法：直方图

​ 基于邻近性的方法：

​ 基于距离的离群点检测

​ 基于密度的离群点检测

​ 基于聚类的方法：通过考察对象与簇之间的关系检测离群点

​ 基于分类的方法：

​ 。。。

一个对象的离群点得分是该对象周围密度的逆。这是基于 密度 的离群点定义。

检测一元正态分布中的离群点，属于异常检测中的基于 统计方法 的离群点检测。

信息来源：数据分析笔试题目（一）

A. 根据内容检索 B. 建模描述 C. 预测建模 D. 寻找模式和规则

下面哪个不属于数据的属性类型：(D)，属于定量的属性类型是：© A 标称 B 序数 C 区间 D相异

以下哪种方法不属于特征选择的标准方法： (D) A 嵌入 B 过滤 C 包装 D 抽样

考虑值集{1、2、3、4、5、90}，其截断均值（p=20%）是 © A 2 B 3 C 3.5 D 5

解析：截断均值计算：题中给出的p=20%，那么丢弃掉高低端20%/2=10%的数据，题中共有6个数据，就截掉6*10%约等于1个，截掉前1个后1个，剩下求平均，结果为3.5；

下面哪个属于映射数据到新的空间的方法？ (A) A 傅立叶变换 B 特征加权 C 渐进抽样 D 维归约

关于OLAP的特性,下面正确的是: (D) (1)快速性 (2)可分析性 (3)多维性 (4)信息性 (5)共享性 A. (1) (2) (3) B. (2) (3) (4) C. (1) (2) (3) (4) D. (1) (2) (3) (4) (5)

关于OLAP和OLTP的区别描述,不正确的是: © A. OLAP主要是关于如何理解聚集的大量不同的数据.它与OTAP应用程序不同. B. 与OLAP应用程序不同,OLTP应用程序包含大量相对简单的事务. C. OLAP的特点在于事务量大,但事务内容比较简单且重复率高. D. OLAP是以数据仓库为基础的,但其最终数据来源与OLTP一样均来自底层的数据库系统,两者面对的用户是相同的.

OLAM技术一般简称为”数据联机分析挖掘”,下面说法正确的是: (D) A. OLAP和OLAM都基于客户机/服务器模式,只有后者有与用户的交互性; B. 由于OLAM的立方体和用于OLAP的立方体有本质的区别. C. 基于WEB的OLAM是WEB技术与OLAM技术的结合. D. OLAM服务器通过用户图形接口接收用户的分析指令,在元数据知道的情况 下,对超级立方体作一定的操作.

设X={1，2，3}是频繁项集，则可由X产生__©__个关联规则。 A、4 B、5 C、6 D、7

概念分层图是__(B)__图。 A、无向无环 B、有向无环 C、有向有环 D、无向有环

频繁项集、频繁闭项集、最大频繁项集之间的关系是： © A、频繁项集 频繁闭项集 =最大频繁项集 B、频繁项集 = 频繁闭项集 最大频繁项集 C、频繁项集 频繁闭项集 最大频繁项集 D、频繁项集 = 频繁闭项集 = 最大频繁项集

考虑下面的频繁3-项集的集合：{1，2，3}，{1，2，4}，{1，2，5}，{1，3，4}，{1，3，5}，{2，3，4}，{2，3，5}，{3，4，5}假定数据集中只有5个项，采用 合并策略，由候选产生过程得到4-项集不包含（C） A、1，2，3，4 B、1，2，3，5 C、1，2，4，5 D、1，3，4，5

根据数据挖掘Apriori算法的性质之一：判定是否可作为K项频繁集是通过K项集分裂为K个K-1项集,考察K-1项集是否为Lk-1,要生成4-项集,｛1,2,4,5｝分裂后为｛1,2,4｝｛2,4,5｝｛1,2,5｝｛1,4,5｝其中,｛1,4,5｝不属于频繁3项集,所以｛1,2,4,5｝不能作为4项集,因为有性质为：任何非频繁的K-1项集都不可能是频繁项集K项集的子集.

下面选项中t不是s的子序列的是 ( C ) A、s= t= B、s= t= C、s= t= D、s= t=

在图集合中发现一组公共子结构，这样的任务称为 ( B ) A、频繁子集挖掘 B、频繁子图挖掘 C、频繁数据项挖掘 D、频繁模式挖掘

下列度量不具有反演性的是 (D) A、系数 B、几率 C、Cohen度量 D、兴趣因子

下列__(A)__不是将主观信息加入到模式发现任务中的方法。 A、与同一时期其他数据对比 B、可视化 C、基于模板的方法 D、主观兴趣度量

下面购物篮能够提取的3-项集的最大数量是多少（C）

ID 购买项 1 牛奶，啤酒，尿布 2 面包，黄油，牛奶 3 牛奶，尿布，饼干 4 面包，黄油，饼干 5 啤酒，饼干，尿布 6 牛奶，尿布，面包，黄油 7 面包，黄油，尿布 8 啤酒，尿布 9 牛奶，尿布，面包，黄油 10 啤酒，饼干

A、1 B、2 C、3 D、4

以下哪些算法是分类算法，（B） A，DBSCAN B，C4.5 C,K-Mean D,EM

以下哪些分类方法可以较好地避免样本的不平衡问题， （A）

A，KNN B，SVM C，Bayes D，神经网络

A,根结点（root node) B,内部结点（internal node） C,外部结点（external node） D,叶结点（leaf node）

以下哪项关于决策树的说法是错误的 © A. 冗余属性不会对决策树的准确率造成不利的影响 B. 子树可能在决策树中重复多次 C. 决策树算法对于噪声的干扰非常敏感 D. 寻找最佳决策树是NP完全问题

在基于规则分类器的中，依据规则质量的某种度量对规则排序，保证每一个测试记录都是由覆盖它的“最好的”规格来分类，这种方案称为 (B) A. 基于类的排序方案 B. 基于规则的排序方案 C. 基于度量的排序方案 D. 基于规格的排序方案。

以下哪些算法是基于规则的分类器 (A) A. C4.5 B. KNN C. Na?ve Bayes D. ANN

如果规则集R中不存在两条规则被同一条记录触发，则称规则集R中的规则为（C）； A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则

如果对属性值的任一组合，R中都存在一条规则加以覆盖，则称规则集R中的规则为(B) A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则

如果规则集中的规则按照优先级降序排列，则称规则集是 (D) A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则

如果允许一条记录触发多条分类规则，把每条被触发规则的后件看作是对相应类的一次投票，然后计票确定测试记录的类标号，称为（A） A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则

考虑两队之间的足球比赛：队0和队1。假设65%的比赛队0胜出，剩余的比赛队1获胜。队0获胜的比赛中只有30%是在队1的主场，而队1取胜的比赛中75%是主场获胜。如果下一场比赛在队1的主场进行队1获胜的概率为 © A，0.75 B,0.35 C,0.4678 D, 0.5738

答案貌似错误的,根据贝叶斯公式计算应该是0.5738；假设踢了100场,队0赢了65场,队1赢了35场；队1的主场,队0赢了650.3 = 19.5场,队1赢了350.75 = 26.25场；则队1在在自己主场赢得概率：26.25/（19.5+26.25）= 0.5738

以下关于人工神经网络（ANN）的描述错误的有 (A) A，神经网络对训练数据中的噪声非常鲁棒 B，可以处理冗余特征 C，训练ANN是一个很耗时的过程 D，至少含有一个隐藏层的多层神经网络

通过聚集多个分类器的预测来提高分类准确率的技术称为 (A) A,组合(ensemble) B,聚集(aggregate) C，合并(combination) D，投票(voting)

简单地将数据对象集划分成不重叠的子集，使得每个数据对象恰在一个子集中，这种聚类类型称作（ B ） A、层次聚类 B、划分聚类 C、非互斥聚类 D、模糊聚类

在基本K均值算法里，当邻近度函数采用（ A ）的时候，合适的质心是簇中各点的中位数。 A、曼哈顿距离 B、平方欧几里德距离 C、余弦距离 D、Bregman散度

BIRCH是一种（ B ）。 A、分类器 B、聚类算法 C、关联分析算法 D、特征选择算法

检测一元正态分布中的离群点，属于异常检测中的基于（ A ）的离群点检测。 A、统计方法 B、邻近度 C、密度 D、聚类技术

68.（ C ）将两个簇的邻近度定义为不同簇的所有点对的平均逐对邻近度，它是一种凝聚层次聚类技术。 A、MIN（单链） B、MAX（全链） C、组平均 D、Ward方法

69.（ D ）将两个簇的邻近度定义为两个簇合并时导致的平方误差的增量，它是一种凝聚层次聚类技术。 A、MIN（单链） B、MAX（全链） C、组平均 D、Ward方法

DBSCAN在最坏情况下的时间复杂度是（ B ）。 A、O(m) B、O(m2) C、O(log m) D、O(m*log m)

在基于图的簇评估度量表里面，如果簇度量为proximity(Ci , C)，簇权值为mi ，那么它的类型是（ C ）。 A、基于图的凝聚度 B、基于原型的凝聚度 C、基于原型的分离度 D、基于图的凝聚度和分离度

关于K均值和DBSCAN的比较，以下说法不正确的是（ A ）。 A、K均值丢弃被它识别为噪声的对象，而DBSCAN一般聚类所有对象。 B、K均值使用簇的基于原型的概念，而DBSCAN使用基于密度的概念。 C、K均值很难处理非球形的簇和不同大小的簇，DBSCAN可以处理不同大小和不同形状的簇。 D、K均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN会合并有重叠的簇。

以下是哪一个聚类算法的算法流程：①构造k－最近邻图。②使用多层图划分算法划分图。③repeat：合并关于相对互连性和相对接近性而言，最好地保持簇的自相似性的簇。④until：不再有可以合并的簇。（ C ）。 A、MST B、OPOSSUM C、Chameleon D、Jarvis－Patrick（JP）

考虑这么一种情况：一个对象碰巧与另一个对象相对接近，但属于不同的类，因为这两个对象一般不会共享许多近邻，所以应该选择（ D ）的相似度计算方法。 A、平方欧几里德距离 B、余弦距离 C、直接相似度 D、共享最近邻

以下属于可伸缩聚类算法的是（ A ）。 A、CURE B、DENCLUE C、CLIQUE D、OPOSSUM

以下哪个聚类算法不是属于基于原型的聚类（ D ）。 A、模糊c均值 B、EM算法 C、SOM D、CLIQUE

关于混合模型聚类算法的优缺点，下面说法正确的是（ B ）。 A、当簇只包含少量数据点，或者数据点近似协线性时，混合模型也能很好地处理。 B、混合模型比K均值或模糊c均值更一般，因为它可以使用各种类型的分布。 C、混合模型很难发现不同大小和椭球形状的簇。 D、混合模型在有噪声和离群点时不会存在问题。

以下哪个聚类算法不属于基于网格的聚类算法（ D ）。 A、STING B、WaveCluster C、MAFIA D、BIRCH

下面关于Jarvis－Patrick（JP）聚类算法的说法不正确的是（ D ）。 A、JP聚类擅长处理噪声和离群点，并且能够处理不同大小、形状和密度的簇。 B、JP算法对高维数据效果良好，尤其擅长发现强相关对象的紧致簇。 C、JP聚类是基于SNN相似度的概念。 D、JP聚类的基本时间复杂度为O(m)。

寻找数据集中的关系是为了寻找精确、方便并且有价值地总结了数据的某一特征的表示，这个过程包括了以下哪些步骤？ (A B C D) A. 决定要使用的表示的特征和结构 B. 决定如何量化和比较不同表示拟合数据的好坏 C. 选择一个算法过程使评分函数最优 D. 决定用什么样的数据管理原则以高效地实现算法。

数据挖掘的预测建模任务主要包括哪几大类问题？ (A B) A. 分类 B. 回归 C. 模式发现 D. 模式匹配

数据挖掘算法的组件包括：(A B C D) A. 模型或模型结构 B. 评分函数 C. 优化和搜索方法 D. 数据管理策略

在现实世界的数据中，元组在某些属性上缺少值是常有的。描述处理该问题的各种方法有： (ＡＢＣＤＥ) A忽略元组 B使用属性的平均值填充空缺值 C使用一个全局常量填充空缺值 D使用与给定元组属同一类的所有样本的平均值 E使用最可能的值填充空缺值

下面哪些属于可视化高维数据技术 (ＡＢＣＥ) A 矩阵 B 平行坐标系 C星形坐标

D散布图 E Chernoff脸

下面属于数据集的一般特性的有：( B C D) A 连续性 B 维度 C 稀疏性 D 分辨率 E 相异性

以下各项均是针对数据仓库的不同说法，你认为正确的有（BDE ）。 A．数据仓库就是数据库 B．数据仓库是一切商业智能系统的基础 C．数据仓库是面向业务的，支持联机事务处理（OLTP） D．数据仓库支持决策而非事务处理 E．数据仓库的主要目标就是帮助分析，做长期性的战略制定

数据仓库在技术上的工作过程是： (ABCD) A. 数据的抽取 B. 存储和管理 C. 数据的表现 D. 数据仓库设计

利用Apriori算法计算频繁项集可以有效降低计算频繁集的时间复杂度。在以下的购物篮中产生支持度不小于3的候选3-项集，在候选2-项集中需要剪枝的是（BD） ID 项集 1 面包、牛奶 2 面包、尿布、啤酒、鸡蛋 3 牛奶、尿布、啤酒、可乐 4 面包、牛奶、尿布、啤酒 5 面包、牛奶、尿布、可乐

A、啤酒、尿布 B、啤酒、面包 C、面包、尿布 D、啤酒、牛奶

解析：面包：,4，牛奶：4，尿布：4，啤酒：3，鸡蛋：1，可乐：2

python数据分析笔试题-pandas

D) A 连续性 B 维度 C 稀疏性 D 分辨率 E 相异性

以下各项均是针对数据仓库的不同说法，你认为正确的有（BDE ）。 A．数据仓库就是数据库 B．数据仓库是一切商业智能系统的基础 C．数据仓库是面向业务的，支持联机事务处理（OLTP） D．数据仓库支持决策而非事务处理 E．数据仓库的主要目标就是帮助分析，做长期性的战略制定

数据仓库在技术上的工作过程是： (ABCD) A. 数据的抽取 B. 存储和管理 C. 数据的表现 D. 数据仓库设计

利用Apriori算法计算频繁项集可以有效降低计算频繁集的时间复杂度。在以下的购物篮中产生支持度不小于3的候选3-项集，在候选2-项集中需要剪枝的是（BD） ID 项集 1 面包、牛奶 2 面包、尿布、啤酒、鸡蛋 3 牛奶、尿布、啤酒、可乐 4 面包、牛奶、尿布、啤酒 5 面包、牛奶、尿布、可乐

A、啤酒、尿布 B、啤酒、面包 C、面包、尿布 D、啤酒、牛奶

解析：面包：,4，牛奶：4，尿布：4，啤酒：3，鸡蛋：1，可乐：2

https://blog.csdn.net/zxd1754771465/article/details/73506169?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase

https://blog.csdn.net/weixin_43751243/article/details/102499674?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-4.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-4.nonecase https://blog.csdn.net/YYIverson/article/details/100163387 https://www.zybuluo.com/rianusr/note/1156011 https://wenku.baidu.com/view/c408af8abe1e650e52ea99d0.html https://blog.csdn.net/abc200941410128/article/details/78541273?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase https://blog.csdn.net/weixin_42056745/article/details/101287231 https://blog.csdn.net/mw21501050/article/details/75389267