思考与练习（大学计算机基础系列：大数据概论）
一、单项选择题（本大题共 15 小题）
1、关于“大数据”（Big Data）的定义，以下哪种说法最为准确？
① 大数据仅指规模超过 1 TB的数据集合
② 大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合
③ 大数据就是存储在大型数据中心的所有数据
④ 大数据特指由社交媒体产生的海量文本数据
2、大数据的特征通常被概括为“5V”模型。以下哪一项不属于这“5V”之一？
① Volume（大量）
② Velocity（高速）
③ Variety（多样）
④ Visibility（可见性）
3、根据大数据的分类，来自关系型数据库的、具有严格行和列定义的数据通常属于：
① 结构化数据
② 半结构化数据
③ 非结构化数据
④ 流式数据
4、在大数据技术栈中，HDFS（Hadoop Distributed File System）主要用于解决什么问题？
① 高速流式数据的实时计算
② 大规模数据的分布式存储
③ 复杂机器学习模型的训练
④ 非关系型数据的查询
5、用于描述大数据中数据产生和处理速度极快这一特征的术语是：
① Volume
② Velocity
③ Variety
④ Veracity
6、以下哪种数据库类型特别适合存储和处理如 JSON、XML 这类具有自描述结构，但缺乏严格模式定义的数据？
① 关系型数据库（如 MySQL）
② 键值数据库（如 Redis）
③ 文档数据库（如 MongoDB）
④ 图数据库（如 Neo4j）
7、在经典的大数据处理框架 MapReduce 中，负责对 Map 阶段输出的中间结果进行合并和汇总，并生成最终结果的阶段是：
① Input 阶段
② Map 阶段
③ Shuffle 阶段
④ Reduce 阶段
8、大数据分析中，旨在将数据集中的对象划分为若干个组，使得同一组内的对象彼此相似，而不同组间的对象相异的技术被称为：
① 回归分析
② 聚类分析
③ 分类分析
④ 关联规则分析
9、在评估大数据价值时，一个普遍观点认为大数据具有“价值密度低”的特点。这主要是指：
① 存储大数据的硬件成本非常低廉
② 单个数据记录通常包含极高的商业价值
③ 海量原始数据中有价值的信息比例相对较低
④ 大数据分析的结果总是准确的
10、为了保证大数据系统的可靠性，HDFS 采用了数据块副本机制。如果一个文件的原始大小为 200MB，HDFS 的块大小设置为 128MB，副本系数设置为 3，那么该文件在 HDFS 集群中实际占用的存储空间大约是（忽略元数据开销）：
① 200 MB
② 400 MB
③ 600 MB
④ 800 MB
11、大数据处理可分为批处理和流处理两种模式。以下哪种场景通常更适合使用流处理框架（如 Apache Flink、Storm）？
① 月底结算，需要统计整个月的销售总额
② 实时监控网络流量，检测异常入侵行为
③ 对过去一年的用户日志进行挖掘，生成年度报告
④ 每周一次对客户数据库进行备份
12、在大数据分析过程中，对数据进行清洗、转换、集成和规约，以消除噪声、不一致和冗余，为后续分析准备高质量数据集的步骤被称为：
① 数据可视化
② 数据建模
③ 数据预处理
④ 数据采集
13、大数据的一个典型应用场景是个性化推荐系统（如电商网站、视频平台）。这种系统主要利用了大数据哪方面的能力？
① 高速（Velocity）处理用户实时请求
② 多样（Variety）处理多种类型的数据（文本、图像、行为）
③ 从海量（Volume）用户行为数据中挖掘模式和价值（Value）
④ 确保数据真实性（Veracity）以提供准确推荐
14、以下关于大数据挑战的描述中，不正确的是：
① 大数据分析技术已完全成熟，没有技术门槛
② 数据安全和用户隐私保护是大数据应用面临的重要问题
③ 数据质量参差不齐（真实性问题）会影响分析结果的准确性
④ 可能存在“数据孤岛”，即数据在不同部门或系统间难以共享和整合
15、在数据挖掘算法中，通过构建树状模型来进行分类或预测，其模型结构直观易懂，便于解释。这种算法是：
① K-Means 算法
② 决策树算法
③ 朴素贝叶斯算法
④ 支持向量机算法
二、填空题（本大题共 5 小题）
1、大数据的“5V”特征包括：大量（Volume）、高速（Velocity）、多样（Variety）、价值（Value）和（ ）。
2、与传统的（ ）数据库不同，NoSQL 数据库通常不遵循固定的表结构，具有良好的可扩展性，适合处理大规模非结构化和半结构化数据。
3、在 Hadoop 生态系统中，负责对存储在 HDFS 上的大规模数据集进行并行计算的编程模型和框架是（ ）。
4、从大量数据中通过算法搜索隐藏于其中有价值的信息和知识的过程，被称为（ ）。
5、大数据处理中的（ ）处理模式，是指对已经存储好的静态数据集（如历史日志）进行分析计算；而（ ）处理模式则是指对连续不断产生的动态数据流进行实时分析。
附：参考答案与解析
“点赞有美意，赞赏是鼓励”