每日AI練習(二): iPAS AI應用規劃師 L112 資料處理與分析概念 模擬題目練習 CCChen

嗨 我是CCChen:

目前正在準備"iPAS AI應用規劃師 初級 能力檢定", 我嘗試使用AI學習AI,

利用AI自動生成練習模擬題目,供個人學習成果檢驗, 一起分享給大家.

#AI學習 #AI練習 #自主學習 #資料分析

這份測驗涵蓋了iPAS AI應用規劃師

科目一 人工智慧基礎概論

評鑑主題: L112 資料處理與分析概念 考試範圍，

適合用來評估學習者在相關資料處理、大數據應用方面的理解程度。

**提醒: 以下資料為 使用AI (ChatGPT)自動生成, 僅供個人參考, 非官方正式文件內容.**

以下是20題關於資料分析與處理的核心概念模擬選擇題，每題皆附上詳細解析：

1. SQL - 分組查詢

問題: 在 SQL 中，使用 GROUP BY 子句的主要目的是什麼？

(A) 用於排序數據

(B) 用於計算聚合函數的分組數據

(C) 用於過濾數據

(D) 用於連接多個表

答案: (B)

解析: GROUP BY 子句用於將數據依指定欄位分組，通常與聚合函數（如 COUNT、SUM、AVG 等）搭配使用，以便針對每一組進行計算。

2. SQL - JOIN 操作

問題: 下列哪種 JOIN 操作會返回左表所有記錄以及兩表匹配的記錄？

(A) INNER JOIN (B) LEFT JOIN (C) RIGHT JOIN (D) FULL JOIN

答案: (B)

解析: LEFT JOIN 會返回左表中的所有記錄，即使右表中沒有匹配的記錄，也會以 NULL 顯示。

3. Python (Pandas) - DataFrame 建立

問題: 下列哪一個方法可用於在 Pandas 中建立一個 DataFrame？

(A) pd.DataFrame() (B) pd.create_frame() (C) pd.frame() (D) DataFrame.create()

答案: (A)

解析: Pandas 提供 pd.DataFrame() 函數來建立 DataFrame，是最常用的方法。

4. Python (Pandas) - 過濾資料

問題: 若要在 Pandas 中過濾出 age 欄位大於 30 的資料，正確的寫法為何？

(A) df.filter(df['age'] > 30) (B) df[df['age'] > 30] (C) df.select(df['age'] > 30) (D) df.query('age > 30')

答案: (B)

解析: 使用布林索引 df[df['age'] > 30] 是過濾 DataFrame 資料的標準方法；（選項 D 雖然也可用，但本題以最直接的方法為主）。

5. Python (Pandas) - 讀取 CSV

問題: 如何在 Pandas 中讀取一個 CSV 文件？

(A) pd.read_csv('file.csv') (B) pd.load_csv('file.csv') (C) pd.import_csv('file.csv') (D) pd.open_csv('file.csv')

答案: (A)

解析: Pandas 的 read_csv() 函數是專門用來讀取 CSV 文件的標準函數。

6. Python (Matplotlib) - 繪圖函數

問題: 在 Matplotlib 中，用於繪製線圖的常用函數是？

(A) plt.bar() (B) plt.scatter() (C) plt.plot() (D) plt.pie()

答案: (C)

解析: plt.plot() 是用於繪製連續線條圖的函數，而其他函數分別用於柱狀圖、散點圖與圓餅圖。

7. 資料清洗 - 缺失值處理

問題: 在資料清洗過程中，下列哪種方法可以用來處理缺失值？

(A) 刪除包含缺失值的行

(B) 用平均值或中位數填充缺失值

(C) 用前一個有效值填充

(D) 以上皆是

答案: (D)

解析: 根據資料特性與業務需求，刪除缺失值、填充缺失值或使用前向填充等方法均為常見的缺失值處理方式。

8. 資料視覺化 - 圖表選擇

問題: 若要比較不同類別的銷售額，下列哪種圖表最合適？

(A) 長條圖

(B) 散點圖

(C) 折線圖

(D) 盒鬍圖

答案: (A)

解析: 長條圖適合展示各類別之間的比較，能清晰呈現各分類的銷售額差異。

9. 統計概念 - 平均值

問題: 平均值 (mean) 的定義是什麼？

(A) 中間值

(B) 眾數

(C) 所有數值的總和除以數量

(D) 數據分布中最常見的值

答案: (C)

解析: 平均值是將所有數值相加後除以數值個數，反映數據的中心趨勢。

10. 統計概念 - 標準差

問題: 標準差主要用於衡量數據的什麼特性？

(A) 中心位置

(B) 離散程度

(C) 最大值

(D) 最小值

答案: (B)

解析: 標準差描述數據相對於平均值的分散或波動情況，是衡量數據變異性的重要指標。

11. 統計分析 - 線性回歸

問題: 在線性回歸中，哪一個指標用來衡量模型解釋變異的能力？

(A) p 值

(B) R-squared (決定係數)

(C) 均值

(D) 標準差

答案: (B)

解析: R-squared 衡量模型對數據變異的解釋比例，數值越高代表模型擬合效果越好。

12. 統計檢定 - t 檢定

問題: 在比較兩組獨立樣本均值是否存在顯著差異時，最常用的檢定方法是？

(A) 卡方檢定

(B) t 檢定

(C) F 檢定

(D) Z 檢定

答案: (B)

解析: t 檢定適用於兩組樣本均值的比較，能檢測差異是否統計上顯著。

13. 資料聚合 - 數據透視表

問題: 在 Pandas 中，哪個函數常用於創建數據透視表？

(A) df.groupby() (B) pd.pivot_table() (C) df.pivot() (D) pd.groupby_table()

答案: (B)

解析: pd.pivot_table() 函數可根據指定索引和聚合函數創建數據透視表，便於數據匯總與比較。

14. SQL - 子查詢使用

問題: 下列關於 SQL 子查詢的描述，哪一項是正確的？

(A) 子查詢只能出現在 SELECT 子句中

(B) 子查詢只能出現在 WHERE 子句中

(C) 子查詢可以出現在 SELECT、FROM 或 WHERE 子句中

(D) 子查詢必須作為臨時表使用

答案: (C)

解析: 子查詢的彈性非常高，可以嵌入在 SELECT、FROM 和 WHERE 等子句中，以滿足各種查詢需求。

15. ETL 流程

問題: 在 ETL 流程中，"Transform" 階段的主要任務是什麼？

(A) 從資料來源提取數據

(B) 將數據轉換為所需格式及結構

(C) 將數據加載到目標資料庫

(D) 備份數據

答案: (B)

解析: "Transform" 階段包括數據清洗、轉換及格式化，目的是讓數據更適合後續分析或加載到目標系統中。

16. 資料視覺化工具 - Power BI 與 Tableau

問題: 哪一個工具主要使用 DAX (Data Analysis Expressions) 語言進行數據計算？

(A) Tableau (B) Power BI (C) 兩者皆是 (D) 兩者皆不是

答案: (B)

解析: Power BI 利用 DAX 進行數據計算與建模，而 Tableau 則主要透過內建計算功能處理數據。

17. 資料型態 - 數值型與類別型

問題: 下列哪項正確區分數值型數據與類別型數據？

(A) 數值型數據通常表示可度量的數字，而類別型數據代表分類或標籤

(B) 數值型數據只能表示整數，類別型數據只能表示文字

(C) 類別型數據適用於計算平均值，而數值型數據僅能統計眾數

(D) 兩者無本質區別

答案: (A)

解析: 數值型數據用於表示量化資訊（例如：收入、溫度），而類別型數據用來表示分類資訊（例如：性別、地區）。

18. Python (Pandas) - DataFrame 合併

問題: 在 Pandas 中，哪幾個方法可用於合併兩個 DataFrame？

(A) df.append() (B) pd.concat() (C) df.merge() (D) 以上皆可

答案: (D)

解析: 根據合併需求，可使用 merge() 進行關聯合併、concat() 用於連接多個 DataFrame，或 append() 進行行追加（雖然新版建議使用 concat），皆為常見合併方法。

19. 離群值檢測

問題: 下列哪一種方法常用於檢測數據中的離群值？

(A) 箱型圖 (Boxplot)

(B) 散點圖 (Scatter Plot)

(C) Z-score 分析

(D) 以上皆是

答案: (D)

解析: 箱型圖可視化離群值、散點圖能顯示數據分布異常，而 Z-score 分析則數值化判斷離群情形，均是常用方法。

20. 數據正規化

問題: 在數據預處理中，數據正規化（Normalization）的主要目的是什麼？

(A) 將數據轉換為均值為0、標準差為1的分布

(B) 將數據縮放到特定範圍（例如 0 到 1）

(C) 消除數據中的異常值

(D) 增加數據的維度

答案: (B)

解析: 數據正規化通常指將數據縮放到一個固定區間（如 0~1），以確保各特徵值在同一量級；而將數據轉換為均值0、標準差1則屬於標準化（Standardization）。

以下是20題關於大數據分析與處理的核心概念模擬選擇題，每題附上詳細解析：

1. Hadoop HDFS 架構

問題: 在 Hadoop 的 HDFS 中，下列哪一個是主要的組成部分？

(A) NameNode 與 DataNode

(B) Master Node 與 Worker Node

(C) Controller 與 Agent

(D) Producer 與 Consumer

答案: (A)

解析: HDFS 的架構主要由 NameNode（管理檔案系統的元數據）和 DataNode（負責存儲實際數據區塊）構成，是 HDFS 的核心組件。

2. Hadoop MapReduce 流程

問題: 在 Hadoop MapReduce 框架中，下列哪個階段負責將 Map 的輸出依照 Key 進行重分組（shuffle）？

(A) Map (B) Shuffle (C) Combine (D) Reduce

答案: (B)

解析: Shuffle 階段將 Map 輸出的資料根據 Key 重新分組，準備交由 Reduce 節點進行處理。這一過程是 MapReduce 中的關鍵環節，雖然有時候與 Reduce 階段結合描述，但重分組屬於 Shuffle。

3. Spark 的 RDD 與 DataFrame 差異

問題: 下列哪項描述正確區分了 Spark 的 RDD 與 DataFrame？

(A) RDD 支持結構化查詢，而 DataFrame 不支持

(B) DataFrame 提供了更高層次的抽象與查詢優化，而 RDD 提供較底層的操作控制

(C) 兩者皆不支持分布式運算

(D) DataFrame 是可變的，而 RDD 是不可變的

答案: (B)

解析: DataFrame 為 Spark 提供了結構化數據抽象，具有 Catalyst 優化器支持自動優化查詢，而 RDD 提供較底層的、靈活的操作控制，但缺乏上述優化特性。

4. Spark 中的分區 (Partitioning)

問題: 在 Spark 中，分區 (Partitioning) 的主要目的是什麼？

(A) 增加數據冗餘

(B) 將數據分佈到不同節點以實現並行計算

(C) 壓縮數據以節省存儲空間

(D) 加密數據提高安全性

答案: (B)

解析: 分區使得數據可以分散存放在集群中的不同節點上，從而實現並行處理，顯著提高計算效率。

5. YARN 的主要功能

問題: Apache Hadoop 中的 YARN (Yet Another Resource Negotiator) 主要負責什麼？

(A) 管理 HDFS 中的數據複製

(B) 資源管理與作業調度

(C) 數據的壓縮與解壓縮

(D) 實現數據加密

答案: (B)

解析: YARN 是 Hadoop 的資源管理與作業調度平台，負責分配計算資源並協調各類應用程序在集群中的運行。

6. Hive 查詢優化技術

問題: 在 Hive 中，下列哪項技術可用於優化查詢性能？

(A) MapReduce 重啟

(B) 動態分區裁剪

(C) 資料清洗

(D) 實時數據流處理

答案: (B)

解析: 動態分區裁剪 (Dynamic Partition Pruning) 可以根據查詢條件減少需要掃描的分區數量，從而提升查詢性能。

7. NoSQL 資料庫應用

問題: 下列哪一個 NoSQL 資料庫主要設計用於處理大規模分布式數據並提供高可用性？

(A) MySQL (B) Cassandra (C) PostgreSQL (D) Oracle

答案: (B)

解析: Cassandra 是一款分布式 NoSQL 資料庫，專為大規模數據存儲和高可用性設計，而其他選項均屬於傳統關係型資料庫。

8. Apache Kafka 的分區

問題: 在 Apache Kafka 中，為何要使用分區 (Partition)？

(A) 增強數據加密

(B) 實現數據的水平擴展與並行消費

(C) 壓縮數據以節省存儲空間

(D) 減少網絡延遲

答案: (B)

解析: Kafka 將數據流劃分為多個分區，使得數據能夠被多個消費者並行處理，提高了整體吞吐量與可擴展性。

9. 實時流處理框架

問題: 下列哪一個框架專門用於實時流處理？

(A) Apache Spark Batch (B) Apache Storm (C) Apache Hadoop MapReduce (D) Apache Hive

答案: (B)

解析: Apache Storm 是專為實時流處理而設計的分布式計算框架，而 Spark Batch 和 MapReduce 則主要用於批處理。

10. Apache NiFi 的用途

問題: Apache NiFi 主要用於什麼任務？

(A) 數據分析與機器學習建模

(B) 數據流設計、管理與自動化傳輸

(C) 儲存數據於 HDFS

(D) 實現實時流處理

答案: (B)

解析: Apache NiFi 提供了一個可視化界面，用於設計、管理和監控數據流，常用於 ETL 任務和數據管道建設。

11. Data Lake 與 Data Warehouse 的區別

問題: 下列哪一項正確描述了 Data Lake 與 Data Warehouse 的主要區別？

(A) Data Lake 主要存儲非結構化和半結構化數據，而 Data Warehouse 主要存儲結構化數據

(B) Data Lake 僅用於實時數據處理，而 Data Warehouse 僅用於批處理

(C) Data Lake 僅存儲數據快照，而 Data Warehouse 存儲歷史數據

(D) Data Lake 與 Data Warehouse 沒有本質區別

答案: (A)

解析: Data Lake 能夠存儲原始、非結構化或半結構化數據，而 Data Warehouse 通常存儲經過清洗和結構化後便於查詢和分析的數據。

12. Lambda 架構的核心概念

問題: Lambda 架構在大數據處理中主要解決什麼問題？

(A) 提高數據存儲效率

(B) 同時支持批處理與實時流處理

(C) 降低數據加載延遲

(D) 增強數據安全性

答案: (B)

解析: Lambda 架構將數據處理分為批處理層和實時處理層，使得系統既能處理歷史數據，也能實時響應新數據，滿足多種應用需求。

13. 分布式系統中的 CAP 理論

問題: 根據 CAP 理論，下列哪一項不是其組成部分？

(A) 一致性 (Consistency)

(B) 可用性 (Availability)

(C) 分區容錯性 (Partition Tolerance)

(D) 可擴展性 (Scalability)

答案: (D)

解析: CAP 理論指出，在分布式系統中只能同時滿足一致性、可用性和分區容錯性中的兩個，而可擴展性並非 CAP 理論的一部分。

14. Apache Flink 與 Spark Streaming

問題: 下列哪一項是 Apache Flink 與 Spark Streaming 的主要區別？

(A) Flink 僅支持批處理，而 Spark Streaming 僅支持流處理

(B) Spark Streaming 通常以微批處理方式運行，而 Flink 支持真正的低延遲流處理

(C) Flink 主要用於數據存儲，而 Spark Streaming 用於數據分析

(D) 兩者完全相同

答案: (B)

解析: Spark Streaming 通常以微批處理（micro-batching）方式處理數據，而 Apache Flink 提供真正的流處理（streaming），使其在低延遲要求下更具優勢。

15. 資源調度系統選擇

問題: 除了 YARN，哪一個資源調度系統也常用於大數據環境中？

(A) Apache Mesos (B) Kubernetes (C) Docker Swarm (D) 以上皆是

答案: (D)

解析: Apache Mesos、Kubernetes 和 Docker Swarm 均可用於大數據集群的資源管理與調度，不同方案各有優缺點與適用場景。

16. Spark 的 DAG (Directed Acyclic Graph)

問題: Spark 中的 DAG 主要用於什麼？

(A) 作為數據儲存格式

(B) 表示任務之間的依賴關係並優化任務執行順序

(C) 壓縮數據以節省儲存空間

(D) 分割數據以進行加密處理

答案: (B)

解析: Spark 利用 DAG 來表示作業中各個任務之間的依賴關係，並根據 DAG 進行任務調度與優化，提高整體執行效率。

17. 大數據聚類算法

問題: 在大數據分析中，哪一個聚類算法通常因其簡單且易於擴展而被廣泛應用？

(A) k-means (B) 層次聚類 (Hierarchical Clustering)

(C) DBSCAN (D) 均值漂移 (Mean Shift)

答案: (A)

解析: k-means 算法因其算法複雜度低和易於實現，在大規模數據聚類分析中被廣泛應用，儘管它對初始值較敏感，但擴展性較好。

18. NoSQL 資料庫特性

問題: 下列哪項是 NoSQL 資料庫的一個主要特點？

(A) 嚴格遵守 ACID 事務模型

(B) 高度可擴展且支持靈活的數據模型

(C) 僅能存儲結構化數據

(D) 只能使用 SQL 語言查詢

答案: (B)

解析: NoSQL 資料庫強調可擴展性和靈活性，能夠處理半結構化或非結構化數據，通常在一致性上採取較為寬鬆的策略，以換取高可用性與橫向擴展。

19. Spark 的 In-Memory 計算優勢

問題: Spark 利用 in-memory 計算的主要優點是什麼？

(A) 減少對內存的依賴

(B) 大幅提高數據處理速度

(C) 降低網絡傳輸負擔

(D) 提高數據持久性

答案: (B)

解析: Spark 將數據存放在記憶體中進行處理，顯著降低磁碟 I/O 開銷，因此能大幅提升處理速度，尤其在迭代運算中效果明顯。

20. 大數據安全性與隱私保護

問題: 在大數據環境中，哪項措施有助於提高數據安全性與隱私保護？

(A) 數據加密傳輸與存儲

(B) 將所有數據公開以便於訪問

(C) 忽略用戶訪問控制

(D) 僅使用單一弱密碼認證

答案: (A)

解析: 對數據進行加密傳輸與存儲可以有效防止未授權訪問與數據洩漏，是保障大數據安全性與隱私的重要措施。

我是CCChen:

如果你覺得這篇文章對你有幫助，請幫我按個愛心，也歡迎 按讚 + 收藏 + 分享，我將持續分享更多AI學習攻略、考試技巧、AI 工具應用 等精彩內容！