2024年數(shù)據(jù)挖掘分析面試題

Alibaba數(shù)據(jù)分析肺（實(shí)習(xí)）試題解析

壹、異常值是指什么？^列舉1種識(shí)別持續(xù)型變量異常值的措施？

異常值（Outlier）是指樣本中的他1別值，其數(shù)值明顯偏離所屬樣本的其他觀測(cè)值。在數(shù)理記

錄事壹般是指壹組觀測(cè)值中與平均值的偏差超謾兩倍原則差的測(cè)定值。

Grubbs'test（是以FrankE.Grubbs命名的），又叫maximumnormedresidualtest,是壹種用于

罩變量數(shù)據(jù)集異常值識(shí)別的記錄檢測(cè)，它假定數(shù)據(jù)集來自正態(tài)分布的^體.

未知^體原則差。，在五種檢查法中，優(yōu)劣次序卷：t檢查法、格拉布斯檢查法、峰度檢查

法、狄克遜檢查法、偏度檢查法。

二、什么是聚類分析？聚類算法有哪幾種？^選擇壹種詳細(xì)描述其計(jì)算原理和環(huán)節(jié)。

聚類分析（clusteranalysis）是壹組將研究封象分卷相封同質(zhì)的群組（dusters）的記錄分析技術(shù)。

聚類分析也叫分類分析（classificationanalysis）或數(shù)值分類（numericaltaxonomy）。聚類與分類

的不壹樣在于，聚類所規(guī)定劃分的類是未知的。

聚類分析計(jì)算措施重要有:層次的措施（hierarchicalmethod）劃分措施（partitioning

method）＞基于密度的措施（density-basedmethod）、基于網(wǎng)格的措施（grid-basedmethcd）、

基于模型的措施（model-basedmethod）等。其中，前兩種算法是運(yùn)用記錄學(xué)定義的距離暹

行度量。

k-means算法的工作謾程闡明如下：首先優(yōu)n彳固數(shù)據(jù)封象任意選擇k彳固封象作卷初始聚類

中心；而封于所剩余其他封象，則根據(jù)它儼J與適些聚類中心的相似度（距離），分別將它優(yōu)

分派給與其最相似的（聚類中心所代表的）聚類；然彳叁再計(jì)算每（0所獲新聚類的聚類中心（該

聚類中所有封象的均值）；不停反復(fù)造壹謾程直到原則測(cè)度函數(shù)^始收斂卷止。壹般都采用

均方差作懸原則測(cè)度函數(shù).k值］聚類具有如下特黠：各聚類自身盡量的緊湊，而各聚類之間

盡量的分

其流程如下：

（1）優(yōu)nf因數(shù)據(jù)封象任意選擇k他封象作卷初始聚類中心；

（2）根據(jù)每他聚類封象的均值（中心封象），計(jì)算每他1封象與追些中心封象的距離；并根據(jù)

最小距離重新封封應(yīng)封象迤行劃分：

（3）重新計(jì)算每倜（有變化）聚類的均值（中心封象）；

（4）循環(huán)（2）、（3）直到每值I聚類不再發(fā)生變化懸止（原則測(cè)量函數(shù)收斂）。

優(yōu)B：本算法確定的K佃劃分抵達(dá)平方誤差最小。常聚類是密集的，且類與類之間區(qū)別明

顯畤，效果很好。封于處理大數(shù)據(jù)集，道值1算法是相封可伸縮和高效的，計(jì)算的復(fù)雜度卷

O（NKt）,其中N是數(shù)據(jù)封象的數(shù)目，t是迭代的次數(shù)。壹般來三兌，K?N,t?N。

缺陷：1.K是事先定的，但非常難以選定；2.初始聚類中心的選擇封聚類成果有較大的

影響。

三、根據(jù)規(guī)定寫出SQL

表A構(gòu)造如下：

MemberJD（顧客的ID,字符型）

Log_time（顧客訪冏頁面畤間，日期型（只有壹天的數(shù)據(jù)））

URL（訪冏的頁面地址，字符型）

規(guī)定：提取出每值1顧客訪冏的第壹種URL（準(zhǔn)疇間最早），形成壹種新表（新表名卷B,表構(gòu)

造和表A壹致）

createtableBasselectMember」D,min（Log_time）,URLfromAgroupbyMember_ID;

四、銷售數(shù)據(jù)分析

如下是壹家B2c雹子商務(wù)網(wǎng)站的壹周銷售數(shù)據(jù)，該網(wǎng)站重要顧客群是辦公室女性，銷售額重

要集中在5種產(chǎn)品上，假如你是道家企業(yè)的分析白幣，

a）優(yōu)數(shù)據(jù)中，你看到了什么冏題？你受得背彳爰的原因是什么？

b）假如你的老板規(guī)定你提出壹種運(yùn)行改善計(jì)劃，你畬怎么做？

表如下：壹組每天某網(wǎng)站的銷售數(shù)據(jù)

a）優(yōu)迨壹周的數(shù)據(jù)可以看出，周末的銷售額明顯偏低。迨其中的原因，可以優(yōu)兩（0角度來

看：站在消費(fèi)者的角度，周末也rr?不用上班，因而也沒有購置該產(chǎn)品的欲望；站在產(chǎn)品的角

度來看，該產(chǎn)品不能在周末的畤候引起消費(fèi)者足夠的注意力。

b）針射該冏題背彳灸的兩方面原因，我的運(yùn)行改善計(jì)劃也分兩方面：壹是，針封消費(fèi)者周末

沒有購置欲望的心理，暹行引導(dǎo)提醒消費(fèi)者周末就應(yīng)常注備好該產(chǎn)品：二是，通謾該產(chǎn)品的

某些類似于打折促銷等活勒來提高該產(chǎn)品在周末的人氣和購置力。

五、顧客調(diào)研

某企業(yè)針SiA、B、C三類客戶,提出了壹種統(tǒng)壹的改善計(jì)劃,用于提高客戶的周消費(fèi)次數(shù),

需要你來制定壹種事前試撿方案，來支持決策，^你思索下列冏題：

a）試驗(yàn)需要懸決策提供什么樣的信息？

c）按照上述目的，^寫出你的數(shù)據(jù)抽樣措施、需要采集的數(shù)據(jù)指檄項(xiàng)，以及你選擇的記錄措

施。

a）試驗(yàn)要能證明該改善計(jì)劃能明顯提高A、B、C三類客戶的周消費(fèi)次數(shù)。

b）根據(jù)二類客戶的數(shù)量，采用分層比例抽樣；

需要采集的數(shù)據(jù)指襟項(xiàng)有：客戶類別，改善計(jì)劃前周消費(fèi)次數(shù)，改善計(jì)劃彳費(fèi)周消費(fèi)次數(shù)；

選用記錄措施卷：分別針封A、B、C三類客戶，誕行改善前和彳爰的周消費(fèi)次數(shù)的，兩獨(dú)立樣

本T-檢查（two-samplet-test）o

摘錄壹段

企業(yè)面封海量數(shù)據(jù)應(yīng)怎樣詳細(xì)實(shí)行數(shù)據(jù)挖掘，使之轉(zhuǎn)換成可行的成果/模型？

首先暹行數(shù)據(jù)的預(yù)處理，重要暹行數(shù)據(jù)的清洗，數(shù)據(jù)清洗，處理空缺值，數(shù)據(jù)的集成，數(shù)據(jù)

的變換和數(shù)據(jù)規(guī)約。

列舉您使用遇的多種數(shù)據(jù)倉庫工具軟件（包括建模工具，ETL工具，前端展琪工具，OLAP

Server.數(shù)據(jù)庫、數(shù)據(jù)挖掘工具）和熟悉程度。

ETL工具：AscentialDataStage,IBMwarehouseMANAGER、Informatica企業(yè)的

PowerCenter>Cognos企業(yè)的Decisionstream

市埸上的主流數(shù)據(jù)倉庫存儲(chǔ)層軟件有：SQLSERVER、SYBASE.ORACLE.DB2、TERADATA

壹下你封元數(shù)據(jù)管理在數(shù)據(jù)倉庫中的運(yùn)用的理解。

元數(shù)據(jù)能支持系統(tǒng)封數(shù)據(jù)的管理和維護(hù)，如有關(guān)數(shù)據(jù)項(xiàng)存儲(chǔ)措施的元數(shù)據(jù)能支持系統(tǒng)以最有

效的方式訪冏數(shù)據(jù)。詳細(xì)來言克,在數(shù)據(jù)倉庫系統(tǒng)中，元數(shù)據(jù)機(jī)制重要支持如下五類系統(tǒng)管理

功能：

（1）描述哪些數(shù)據(jù)在數(shù)據(jù)倉庫中；

（2）定義要選入數(shù)據(jù)倉庫中的數(shù)據(jù)和優(yōu)數(shù)據(jù)倉庫中產(chǎn)生的數(shù)據(jù)；

（3）記錄根據(jù)業(yè)務(wù)事件發(fā)生而隨之迤行的數(shù)據(jù)抽取工作畤間安排；

（4）記錄并檢測(cè)系統(tǒng)數(shù)據(jù)壹致性的規(guī)定和執(zhí)行狀況；

（5）衡量數(shù)據(jù)質(zhì)量。

數(shù)據(jù)挖掘封聚類的數(shù)據(jù)規(guī)定是什么？

（1）可伸縮性

（2）處理不壹樣類型屬性的能力

（3）發(fā)垣任意形狀的聚類

（4）使輸入?yún)?shù)的領(lǐng)域知識(shí)最小化

(5)處理噪聲數(shù)據(jù)的能力

(6)封于輸入次序不敏感

(7)高維性

(8)基于約束的聚類

(9)可解釋性和可運(yùn)用性

簡(jiǎn)述Apriori算法的思想，該算法的應(yīng)用領(lǐng)域并舉例。

思想：其發(fā)垣關(guān)聯(lián)規(guī)則分兩步，第壹是通遇迭代，檢索由數(shù)據(jù)源中所有啰喋項(xiàng)集，即支持度

不低于顧客設(shè)定的閥值的項(xiàng)即集，第二是運(yùn)用第壹步中檢索出的啰嗦項(xiàng)集構(gòu)造出滿足顧客最

小信任度的規(guī)則，其中，第壹步即挖掘出所有頻繁項(xiàng)集是該算法的關(guān)鍵，也占整他算法工作

量的大部分。

在商務(wù)、金融、保險(xiǎn)等領(lǐng)域皆有應(yīng)用。在建筑陶瓷行業(yè)中的交叉銷售應(yīng)用，重要采用了

Apriori算法

通謾閱^該文擋，言青同孥色分析壹下數(shù)據(jù)挖掘在甯子商務(wù)領(lǐng)域的應(yīng)用狀況。青深入分析并幺合

出實(shí)例，切忌泛泛而?

覃項(xiàng)選擇題

1.某超市研究銷售紀(jì)錄數(shù)據(jù)彼發(fā)現(xiàn)，買啤酒的人很大概率也畬購置尿布，適種屬于數(shù)據(jù)挖

掘的哪類冏題？(A)

A.關(guān)聯(lián)規(guī)則發(fā)現(xiàn)B.聚類

C.分類D.自然^言處理

2.如下兩種描述分別封應(yīng)哪兩種封分類算法的評(píng)價(jià)原則？(A)

(a)警察抓小偷，描述警察抓的人中有多少但I(xiàn)是小偷的原則。

(b)描述有多少比例的小偷幺合警察抓了的原則。

A.Precision,RecallB.Recall,Precision

A.Precision,ROCD.Recall,ROC

3.將原始數(shù)據(jù)逛行集成、變換、維度規(guī)約、數(shù)值規(guī)約是在如下哪倜環(huán)節(jié)的任務(wù)？(C)

A.頻繁模式挖掘B.分類和預(yù)測(cè)C.數(shù)據(jù)預(yù)處理D.數(shù)據(jù)流挖掘

4,常不懂得數(shù)據(jù)所帶襟簽畤，可以使用哪種技術(shù)促使帶同類檄簽的數(shù)據(jù)與帶其他檄簽的數(shù)

據(jù)相分離？(B)

A.分類B.聚類C.關(guān)聯(lián)分析D.隱焉爾可夫鏈

5.什么是KDD?(A)

A.數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)B.領(lǐng)域知識(shí)發(fā)現(xiàn)

C.文檔知識(shí)發(fā)垣D.勘態(tài)知識(shí)發(fā)垣

6.使用交互式的和可視化的技術(shù)，封數(shù)據(jù)暹行探索屬于數(shù)據(jù)挖掘的哪壹類任務(wù)？(A)

A.探索性數(shù)據(jù)分析B.建模描述

C.預(yù)測(cè)建模D.尋找模式和規(guī)則

7.卷數(shù)據(jù)的^體分布建模；把多維空間劃提成組等冏題屬于數(shù)據(jù)挖掘的哪壹類任務(wù)？IB)

A.探索性數(shù)據(jù)分析B.建模描述

C.預(yù)測(cè)建模D.尋找模式和規(guī)則

8.建立宜種模型，通謾道他模型根據(jù)已知的變量值來預(yù)測(cè)其他某(固變量值屬于數(shù)據(jù)挖掘的

哪壹類任務(wù)？(C)

A.根據(jù)內(nèi)容檢索B.建模描述

C.預(yù)測(cè)建模D.尋找模式和規(guī)則

9.顧客有壹種感愛好的模式并且但愿在數(shù)據(jù)集中找到相似的模式，屬于數(shù)據(jù)挖掘哪壹類任

務(wù)？（A）

A.根據(jù)內(nèi)容檢索B.建模描述

C.預(yù)測(cè)建模D.尋找模式和規(guī)則

11.下面哪種不屬于數(shù)據(jù)預(yù)處理的措施？（D）

A變量代換B離散化C匯集D估計(jì)遺漏值

12.假設(shè)12他銷售價(jià)格記錄組已^排序如下:5,10,11,13,15,35,50,55,72,92,204,215使

用如下每種措施將它儼］劃提成四他箱。等頻（等深）劃分畤，15在第幾種箱子內(nèi)？（B）

A第壹種B第二值IC第三（0D第四值I

13.上題中，等寬劃分畤（寬度卷50）,15又在哪他箱子寰？（A）

A第壹種B第二值IC第三f0D第四他

14.下面哪彳固不屬于數(shù)據(jù)的屬性類型：（D）

A檄稱B序數(shù)C區(qū)間D相異

15.在上題中，屬于定量的屬性類型是：（Q

A檄稱B序數(shù)C區(qū)間D相異

16.只有非零值才重要的二元屬性被稱作：（C）

A計(jì)數(shù)屬性B離散屬性C非封稱的二元屬性D封稱屬性

17.如下哪種措施不屬于特性選擇的原則措施：（D）

A嵌入B遇濾C包裝D抽樣

18.下面不屬于創(chuàng)立新屬性的有關(guān)措施的是：（B）

A特性提取B特性修改C映射數(shù)據(jù)到新的空間D特性構(gòu)造

19.考慮值集｛1、2、3、4、5、90）,其截?cái)嗑担╬=20%）是（C）

A2B3C3.5D5

20.下面哪他屬于映射數(shù)據(jù)到新的空間的措施？（A）

A傅立葉變換B特性加權(quán)C漸暹抽樣D維歸約

21.燧是卷消除不確定性所需要獲得的信息量，投擲均勻正六面體骰子的端是：（B）

A1比特B2.6比特C3.2比特D3.8比特

22.假設(shè)屬性income的最大最小值分別是1元和98000元。運(yùn)用最大最小規(guī)范化的措施將

屬性的值映射到。至1的范圍內(nèi)。射屬性income的73600元將被轉(zhuǎn)化卷：（D）

A0.821B1.224C1.458D0.716

23.假定用于分析的數(shù)據(jù)包括屬性age。數(shù)據(jù)元組中age的值如下（按遞增序）:13,15,16,

16,19,20,20,21,22,22,25,25,25,30,33,33,35,35,36,40,45,46,52,

70,冏題：使用按箱平均值平滑措施封上述數(shù)據(jù)迤行平滑，箱的深度卷3。第二他箱子值卷：

（A）

A18.3B22.6C26.8D27.9

24.考慮值集｛12243324556826｝,其四分位數(shù)極差是：（A）

A31B24C55D3

25.壹所大學(xué)內(nèi)的各年齡人數(shù)分別卷：壹年級(jí)200人，二年級(jí)160人，三年級(jí)130人，四年

級(jí)110人。則年級(jí)屬性的眾數(shù)是：（A）

A壹年級(jí)B二年級(jí)C三年級(jí)D四年級(jí)

26.下列哪他不是專門用于可視化疇間空間數(shù)據(jù)的技術(shù)：（B）

A等高線圖B餅圖C曲面圖D矢量埸圖

27.在抽樣措施中，富合適的樣本容量很難確定期，可以使用的抽樣措施是：（D）

A有放回的簡(jiǎn)樸隨機(jī)抽樣B罪放回的簡(jiǎn)樸隨機(jī)抽樣C分層抽樣D漸謹(jǐn)抽樣

28.數(shù)據(jù)倉庫是伴隨畤間變化的，下面的描述不封的的是(C)

A.數(shù)據(jù)倉庫隨疇間的變化不停增是新的數(shù)據(jù)內(nèi)容；

B.捕捉到的新數(shù)據(jù)曾覆蓋本來的快照；

C.數(shù)據(jù)倉庫隨事件變化不停刪去舊的數(shù)據(jù)內(nèi)容；

D.數(shù)據(jù)倉庫中包括大量的綜合數(shù)據(jù)，迨些綜合數(shù)據(jù)曾伴隨疇間的變化不停地迤行重新綜合.

29.有關(guān)基本數(shù)據(jù)的元數(shù)據(jù)是指:①)

A.基本元數(shù)據(jù)與數(shù)據(jù)源，數(shù)據(jù)倉庫,數(shù)據(jù)集市和應(yīng)用程序等構(gòu)造有關(guān)的信息；

B.基本元數(shù)據(jù)包括與企業(yè)有關(guān)的管理方面的數(shù)據(jù)和信息；

C.基本元數(shù)據(jù)包括曰志文獻(xiàn)和簡(jiǎn)歷執(zhí)行處理的畤序調(diào)度信息；

D.基本元數(shù)據(jù)包括有關(guān)裝載和更新處理，分析處理以及管理方面的信息.

30.下面有關(guān)數(shù)據(jù)粒度的描述不封的的是:(C)

A.粒度是指數(shù)據(jù)倉庫小數(shù)據(jù)罩元的詳細(xì)程度和級(jí)別；

B.數(shù)據(jù)越詳細(xì)，粒度就越小，級(jí)別也就越高；

C.數(shù)據(jù)綜合度越高,粒度也就越大，級(jí)別也就越高；

D.粒度的詳細(xì)劃分將直接影響數(shù)據(jù)倉庫中的數(shù)據(jù)量以及查詢質(zhì)量.

31.有關(guān)數(shù)據(jù)倉庫的^發(fā)特黠，不封的的描述是:(A)

A.數(shù)據(jù)倉庫^發(fā)要優(yōu)數(shù)據(jù)出發(fā)；

B.數(shù)據(jù)倉庫使用的需求在^發(fā)出去就要明確；

C.數(shù)據(jù)倉庫的^發(fā)是壹種不停循環(huán)的謾程，是啟發(fā)式的^發(fā)；

D.在數(shù)據(jù)倉庫環(huán)境中，并不存在操作型環(huán)境中所固定的和較確切的處理流，數(shù)據(jù)倉庫中數(shù)據(jù)

分析和處理更靈活，且沒有固定的模式

32.在有關(guān)數(shù)據(jù)倉庫測(cè)試，下列法不封的的是:①)

A.在完畢數(shù)據(jù)倉庫的實(shí)行謾程中，需要封數(shù)據(jù)倉庫暹行多種測(cè)試.測(cè)試工作中要包括軍元測(cè)

試和系統(tǒng)測(cè)試.

B.富數(shù)據(jù)倉庫的每偃I罩獨(dú)組件完畢彳灸，就需要封他謹(jǐn)行軍元測(cè)試.

C.系統(tǒng)的集成測(cè)試需要封數(shù)據(jù)倉庫的所有組件巡行大量的功能測(cè)試和回歸測(cè)試.

D.在測(cè)試之前沒必要制定詳細(xì)的測(cè)試計(jì)劃.

33.OLAP技術(shù)的關(guān)鍵是:(D)

A.在線性；

B.封顧客的迅速響應(yīng)；

C.互操作性.

D.多維分析；

34.有關(guān)OLAP的特性，下面封的的是:①)

⑴迅速性(2)可分析性(3)多維性(4)信息性(5)共享性

A.(l)(2)(3)

B.(2)⑶⑷

C.⑴⑵⑶⑷

D.⑴(2)⑶⑷(5)

35.有關(guān)OLAP和OLTP的區(qū)別描述，不封的的是:(C)

A.OLAP重要是有關(guān)怎樣理解匯集的大量不壹樣的數(shù)據(jù).它與OTAP應(yīng)用程序不壹樣.

B.與OLAP應(yīng)用程序不壹樣,OLTP應(yīng)用程序包括大量相以簡(jiǎn)樸的事務(wù).

C.OLAP的特黠在于事務(wù)量大，但事務(wù)內(nèi)容比較簡(jiǎn)樸且反復(fù)率高.

D.OLAP是以數(shù)據(jù)倉庫懸基礎(chǔ)的,但其最終數(shù)據(jù)來源與OLTP同樣均來自底層的數(shù)據(jù)庫系統(tǒng)，兩

者面封的顧客是相似的.

36.OLAM技術(shù)壹般簡(jiǎn)稱懸"數(shù)據(jù)聯(lián)機(jī)分析挖掘〃，下面^法封的的是:(D)

A.OLAP和OLAM都基于客戶機(jī)/服務(wù)器模式，只有彳灸者有與顧客的交互性；

B.由于OLAM的立方體和用于OLAP的立方體有本質(zhì)的區(qū)別.

C.基于WEB的OLAM是WEB技術(shù)與OLAM技術(shù)的余吉合.

D.OLAM服務(wù)器通謾顧客圖形借口接受顧客的分析指令，在元數(shù)據(jù)的懂得下，封超級(jí)立方體作

壹定的操作.

37.有關(guān)OLAP和OLTP的^法，下列不封的的是:(A)

A.OLAP事務(wù)量大,但事務(wù)內(nèi)容比較簡(jiǎn)樸且反復(fù)率高.

B.OLAP的最終數(shù)據(jù)來源與OLTP不壹樣樣.

C.OLTP面封的是決策人員和高層管理人員.

D.OLTP以應(yīng)用卷關(guān)鍵，是應(yīng)用驅(qū)勤的.

38.設(shè)X={1,2,3}是頻繁項(xiàng)集，則可由X產(chǎn)生_(C)_倜關(guān)聯(lián)規(guī)則。

A、4B、5C、6D、7

40.概念分層圖是_(B)_圖。

A、輾向輾環(huán)B、有向輾環(huán)C、有向有環(huán)D、輾向有環(huán)

41.頻繁項(xiàng)集、頻繁閉項(xiàng)集、最大頻繁項(xiàng)集之間的關(guān)系是：(C)

A、頻繁項(xiàng)集頻繁閉項(xiàng)集=最大頻繁項(xiàng)集

B、頻繁項(xiàng)集=頻繁閉項(xiàng)集最大頻繁項(xiàng)集

C、頻繁項(xiàng)集頻繁閉項(xiàng)集最大頻繁項(xiàng)集

D、頻繁項(xiàng)集=頻繁閉項(xiàng)集=最大頻繁項(xiàng)集

42.考慮下面的頻繁3?項(xiàng)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}假定數(shù)據(jù)集中只有5(0項(xiàng)，采用合并方略，由候選產(chǎn)生

謾程得到4-項(xiàng)集不包括(C)

A、1,2,3,4B、1,2,3,5C、1,2,4,5D、1,3,4,5

43.下面選項(xiàng)中t不是s的子序列的是(C)

A、S=<{2,4},{3,5,6},{8}>t=<{2},{3,6},{8}>

B、s=<{2,4},{3,5,6},{8}>t=<{2},{8}>

C、s=<{l,2},{3,4}>t=<{l},{2}>

D、s=<{2,4},{2,4}>t=<{2},{4}>

44.在圖集合中發(fā)JR壹組公共子構(gòu)造，道樣的任務(wù)稱卷(B)

A、頻繁子集挖掘B、頻繁子圖挖掘C、頻繁數(shù)據(jù)項(xiàng)挖掘D、頻繁模式挖掘

45.下列度量不具有反演性的是(D)

A、系數(shù)B、幾率C、Cohen度量D、愛好因子

46.下列_(A)_不是將主觀信息加入到模式發(fā)現(xiàn)任務(wù)中的措施。

A、與同壹疇期其他數(shù)據(jù)封比

B、可視化

C、基于模板的措施

D、主觀愛好度量

47.下面購物籃可以提取的3-項(xiàng)集的最大數(shù)量是多少(C)

ID購置項(xiàng)

1牛奶，啤酒，尿布

2面包，黃油，牛奶

3牛奶，尿布，餅干

4面包，黃油，餅干

5啤酒，餅干，尿布

6牛奶，尿布，面包，黃油

7面包，黃油，尿布

8啤酒，尿布

9牛奶，尿布，面包，黃油

10啤酒，餅干

A、IB、2C、3D、4

如下哪些算法是分類算法，

48.A,DBSCANB,C4.5C,K-MeanDZEM(B)

49.如下哪些分類措施可以很好地防止樣本的不平衡冏題，A,KNNB,SVMC,BayesD,神

^網(wǎng)絡(luò)(A)

50.決策樹中不包括壹下哪種稅粘，A,根皓粘(rootnode)B,內(nèi)部金吉黠(internalnode)C,外

部結(jié)黠(externalnode)D,葉金吉黠(leafnode)(C)

51.不純性度量中Gini計(jì)算公式懸(其中c是類的值I數(shù))(A)

A,B,C,D,(A)

53.如下哪項(xiàng)有關(guān)決策樹的^法是^誤的(Q

A.冗余屬性不曾封決策樹的精確率導(dǎo)致不利的影響

B.子樹也1午在決策樹中反復(fù)多次

C.決策樹算法?4于噪聲的干擾非常敏感

D.尋找最佳決策樹是NP完全冏題

54.在基于規(guī)則分類器的中，根據(jù)規(guī)則質(zhì)量的某種度量封規(guī)則排序，保證每壹種測(cè)試記錄都

是由覆蓋它的"最佳的〃規(guī)格來分類，造種方案稱卷(B)

A.基于類的排序方案

B.基于規(guī)則的排序方案

C.基于度量的排序方案

D.基于規(guī)格的排序方案。

55.如下哪些算法是基于規(guī)則的分類器(A)

A.C4.5B.KNNC.Na?veBayesD.ANN

56.假如規(guī)則集R中不存在兩條規(guī)則被同壹條記錄觸發(fā)，則稱規(guī)則集R中的規(guī)則卷(C)；

A,輾序規(guī)則B,窮舉規(guī)則C,互斥規(guī)則D,有序規(guī)則

57.假如封屬性值的任壹組合，R中都存在壹條規(guī)則加以覆蓋，則稱規(guī)則集R中的規(guī)則卷(B)

A,輾序規(guī)則B,窮舉規(guī)則C,互斥規(guī)則D,有序規(guī)則

58.假如規(guī)則集中的規(guī)則按照優(yōu)先級(jí)降序排列，則稱規(guī)則集是(D)

A,瓢序規(guī)則B,窮舉規(guī)則C,互斥規(guī)則D,有序規(guī)則

59.假如容器午壹條記錄觸發(fā)多條分類規(guī)則，把每條被觸發(fā)規(guī)則的彳令件看作是封封應(yīng)類的壹次

投票，然彳爰計(jì)票確定測(cè)試記錄的類檄號(hào)，稱卷(A)

A,輾序規(guī)則B,窮舉規(guī)則C,互斥規(guī)則D,有序規(guī)則

60.考慮兩隊(duì)之間的足球比賽：隊(duì)0和隊(duì)1。假設(shè)65%的比賽隊(duì)0勝出，剩余的比賽隊(duì)1獲

勝。隊(duì)0獲勝的比賽中只有30%是在隊(duì)1的主埸，而隊(duì)1取勝的比賽中75%是主埸獲勝。假

如下壹埸比賽在隊(duì)1的主埸暹行隊(duì)1獲勝的概率卷(C)

A,0.75B,0.35C,0.4678D,0.5738

61.如下有關(guān)人工神^網(wǎng)絡(luò)(ANN)的描述籍誤的有(A)

A,神粹:網(wǎng)絡(luò)封訓(xùn)練數(shù)據(jù)中的噪聲非常魯棒B,可以處理冗余特性C,訓(xùn)練ANN是壹種很

耗疇的謾程D,至少具有壹種隱藏層的多層神^網(wǎng)絡(luò)

62.通謾匯集多種分類器的預(yù)測(cè)來提高分類精確率的技術(shù)稱卷（A）

A,組合（ensemble）B,匯集（aggregate）C,合并（combination）D,投票（voting）

63.簡(jiǎn)樸地將數(shù)據(jù)封象集劃提成不重疊的子集，使得每他數(shù)據(jù)封象恰在壹種子集中，道種聚

類類型稱作（B）

A、層次聚類B、劃分聚類C、非互斥聚類D、模糊聚類

64.在基本K均值算法事，富鄰近度函數(shù)采用（A）的畤候，合適的質(zhì)心是簇中各黠的中

位數(shù)。

A、曼哈頓距離B、平方歐幾事德距離C、余弦距離D、Bregman散度

65.（C）是壹種觀測(cè)值，它與其他觀測(cè)值的差異如此之大，以至于懷疑它是由不壹樣的機(jī)

制產(chǎn)生的。

A、邊界黠B、質(zhì)心C、離群粘D、要黠

66.BIRCH是壹種（B）。

A、分類器B、聚類算法C、關(guān)聯(lián)分析算法D、特性選擇算法

67.檢測(cè)壹元正態(tài)分布中的離群黠，屬于異常檢測(cè)中的基于（A）的離群黠檢測(cè)。

A、記錄措施B、鄰近度C、密度D、聚類技術(shù)

68.（C）將兩他簇的鄰近度定義懸不壹樣簇的所有黠St的平均逐封鄰近度，它是壹科凝聚

層次聚類技術(shù)。

A、MIN（罩鏈）B、MAX（全鏈）C、組平均D、Ward措施

69.（D）將兩值I簇的鄰近度定義卷兩彳固簇合并畤導(dǎo)致的平方誤差的增量，它是壹種凝聚層

次聚類技術(shù)。

A、MIN（軍鏈）B、MAX（全鏈）C、組平均D、Ward措施

70.DBSCAN在最壤狀況下的畤間復(fù)雜度是（B）。

A、0（m）B、0（m2）C、O（logm）D、O（m*logm）

71.在基于圖的簌評(píng)估度量表裹面，假如簇度量卷proximity。，C）,簇權(quán)值卷mi,那么它

的類型是（C工

A、基于圖的凝聚度3、基于原型的凝聚度C、基于原型的分離度D、基于圖的凝

聚度和分離度

72.有關(guān)K均值和DBSCAN的比較，如下^法不封的的是（A）。

A、K均值丟棄被它識(shí)另!卷噪聲的封象，而DBSCAN壹般聚類所有封象。

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均值很難處理非球形的簇和不壹樣大小的簇，DBSCAN可以處理不壹樣大小和不壹樣

形狀的簇。

D、K均值可以發(fā)現(xiàn)不是明顯分離的簇，即便簇有重疊也可以發(fā)猊，不謾DBSCAN曾合并

有重疊的簇。

73.如下是哪壹種聚類算法的算法流程：①構(gòu)造k—近來鄰圖。②使用多層圖劃分算法劃分

圖。?repeat：合并有關(guān)相封互連性和相封靠近性而言，最佳地保持簇的自相似性的簇。

?until：不再有可以合并的簇。（C）o

A、MSTB、OPOSSUMC、ChameleonD、Jarvis—Patrick（JP）

74.考慮造樣壹種狀況：壹種封象碰巧與另壹種封象相SJ靠近，但屬于不壹樣的類，由于

兩彳固封象壹般不曾共享言午多近鄰，因此應(yīng)富選擇（D）的相似度計(jì)算措施。

A、平方歐幾事德距離B、余弦距離C、直接相似度D、共享近來鄰

75.如下屬于可伸縮聚類算法的是（A）。

A、CUREB、DENCLUEC、CLIQUED、OPOSSUM

76.如下哪（0聚類算法不是屬于基于原型的聚類（D）。

A、模糊c均值B、EIS算法C、SOMD、CLIQUE

77.有關(guān)混合模型聚類算法的優(yōu)缺陷，下面^法封的的是（B）。

A、常簇只包括少與午數(shù)據(jù)玷，或者數(shù)據(jù)黠近似協(xié)線性映，混合模型也能很好地處理。

B、混合模型比K均值或模糊c均值更壹般，由于它可以使用多種類型的分布。

C、混合模型很難發(fā)現(xiàn)不壹樣大小和橢球形狀的簇。

D、混合模型在有噪聲和離群黠疇不畬存在冏魅。

78.如下哪（0聚類算法不屬于基于網(wǎng)格的聚類算法（D）。

A、STINGB、WaveClusterC、MAFIAD、BIRCH

79.壹種封象的離群鉆得分是該封象周圍密度的逆。逅是基于（C）的離群黠定義。

A.概率B、鄰近度C、密度D、聚類

80.下面有關(guān)Jarvis-Patrick（JP）聚類算法的^法不封的的是（D）。

A、JP聚類擅晨處理噪聲和離群黠，并且可以處理不壹樣大小、形狀和密度的簇。

B、JP算法封高維數(shù)據(jù)效果良好，尤其擅晨發(fā)琪強(qiáng)有關(guān)封象的緊致簇。

C、JP聚類是基于SNN相似度的概念。

D、JP聚類的基本畤間復(fù)雜度卷O（m）.

二、多選題

1.通謾數(shù)據(jù)挖掘遇程所推倒出的關(guān)系和摘要常常被稱卷：（AB）

A.模型B.模式C.模范D.模具

2尋找數(shù)據(jù)集中的關(guān)系是卷了尋找精確、以便并且有價(jià)值地幺總幺吉了數(shù)據(jù)的某壹特性的表達(dá),

114司遇程包括了如下哪些環(huán)節(jié)？（ABCD）

A.決定要使用的表達(dá)的特性和構(gòu)造

B.決定怎樣廉化和比較不壹樣表達(dá)擬合數(shù)據(jù)的好壤

C.選擇壹種算法遇程使評(píng)分函數(shù)最優(yōu)

D.決定用什么樣的數(shù)據(jù)管理原則以高效地實(shí)現(xiàn)算法。

3.數(shù)據(jù)挖掘的預(yù)測(cè)建模仔務(wù)重要包括哪幾大類冏題？（AB）

A.分類B.回歸C.模式發(fā)現(xiàn)D.模式匹配

4.數(shù)據(jù)挖掘算法的組件包括：（ABCD）

A.模型或模型構(gòu)造B.評(píng)分函數(shù)C.優(yōu)化和搜索措施D.數(shù)據(jù)管理方略

5.如下哪些阜科和數(shù)據(jù)挖掘有親密聯(lián)絡(luò)？（AD）

A.記錄B.計(jì)算機(jī)構(gòu)成原理C.礦產(chǎn)挖掘D.人工智能

6.在現(xiàn)實(shí)世界的數(shù)據(jù)中，元組在某些屬性上缺乏值是常有的。描述處理該冏題的多種措施

有：（ABCDE）

A忽視元組C使用壹種全局常量填充空缺值

B使用屬性的平均值填充空缺值D使用與給定元組屬同壹類的所有樣本的平均值E使

用最也言午的值填充空缺值

7.下面哪些屬于可視化高維數(shù)據(jù)技術(shù)（ABCE）

A矩陣B平行坐襟系C星形坐襟D散布圖EChernoff臉

8.封于數(shù)據(jù)挖掘中的原始數(shù)據(jù)，存在的冏堰有：（ABCDE）

A不壹致B反復(fù)C不完整D含噪聲E維度高

9.下列屬于不壹樣的有序數(shù)據(jù)的有：（ABCE）

A疇序數(shù)據(jù)B序列數(shù)捱C疇間序列數(shù)據(jù)D事務(wù)數(shù)據(jù)E空間數(shù)據(jù)

10.下面屬于數(shù)據(jù)集的壹般特性的有：（BCD）

A持續(xù)性B維度C稀疏性D辨別率E相異性

11.下面屬于維歸約常用的線性代數(shù)技術(shù)的有：（AC）

A主成分分析B特性提取C奇異值分解D特性加權(quán)E離散化

12.下面列出的條目中，哪些是數(shù)據(jù)倉庫的基本特性：(ACD)

A.數(shù)據(jù)倉庫是面向主I1的B.數(shù)據(jù)倉庫的數(shù)據(jù)是集成的

C.數(shù)據(jù)倉庫的數(shù)據(jù)是相封穩(wěn)定的D.數(shù)據(jù)倉庫的數(shù)據(jù)是反應(yīng)歷史變化的

E.數(shù)據(jù)倉庫是面向事務(wù)的

13.如下各項(xiàng)均是針封數(shù)據(jù)倉庫的不壹樣^法，你認(rèn)卷封的的有(BCDE)。

A.數(shù)據(jù)倉庫就是數(shù)據(jù)庫

B.數(shù)據(jù)倉庫是壹切商業(yè)智能系統(tǒng)的基礎(chǔ)

C.數(shù)據(jù)倉庫是面向業(yè)務(wù)的，支持聯(lián)機(jī)事務(wù)處理(OLTP)

D.數(shù)據(jù)倉庫支持決策而非事務(wù)處理

E.數(shù)據(jù)倉庫的重要目的就是協(xié)助分析，做是期性的戰(zhàn)略制定

14.數(shù)據(jù)倉庫在技術(shù)上的工作謾程是：(ABCD)

A.數(shù)據(jù)的抽取B.存儲(chǔ)和管理C.數(shù)據(jù)的體現(xiàn)

D.數(shù)據(jù)倉庫設(shè)計(jì)E.數(shù)據(jù)的體垣

15.聯(lián)機(jī)分析處理包括如下哪些基本分析功能？(BCD)

A.聚類B.切片C.轉(zhuǎn)軸D,切塊E.分類

16.運(yùn)用Apriori算法計(jì)算頻繁項(xiàng)集可以有效減少計(jì)算頻繁集的畤間復(fù)雜度。在如下的購物

籃中產(chǎn)生支持度不不不小于3的候選3-項(xiàng)集，在候選2-項(xiàng)集中需要剪枝的是(BD)

ID項(xiàng)集

1面包、牛奶

2面包、尿布、啤酒、雞蛋

3牛奶、尿布、啤酒、可樂

4面包、牛奶、尿布、啤酒

5面包、牛奶、尿布、可樂

A、啤酒、尿布B、啤酒、面包C、面包、尿布D、啤酒、牛奶

17.下表是壹種購物籃，假定支持度閾值卷40%,其中_(AD)_是頻繁閉項(xiàng)集。

TID項(xiàng)

1abe

2abed

3bee

4acde

5de

A、abeB、ad

C、cdD、de

18.Apriori算法的計(jì)算復(fù)雜度受_(ABCD)?_影響。

A、支持度閥值B、項(xiàng)數(shù)(維度)

C、事務(wù)數(shù)D、事務(wù)平均寬度

19.非頻繁模式_(AD)_

A、其支持度不不小于閾值B、都是不讓人感愛好的

C、包括負(fù)模式和負(fù)有關(guān)模式D、射異常數(shù)據(jù)項(xiàng)敏感

20.如下屬于分類器評(píng)價(jià)或比較尺度的有：A,預(yù)測(cè)精確度B,召回率C,模型描述的簡(jiǎn)潔度D,

計(jì)算復(fù)雜度(ACD)

21.在評(píng)價(jià)不平衡類冏題分類的度量措施有如下幾種，A,F1度量B,召回率(recall)C,精度

(precision)D,真正率(turepositiverateJPR)(ABCD)

22.貝葉斯信念網(wǎng)絡(luò)（BBN）有如下哪些特玷，A,構(gòu)造網(wǎng)絡(luò)費(fèi)畤費(fèi)力B,封模型的謾度冏題非常

魯棒C,貝葉斯網(wǎng)絡(luò)不適合處理不完整的數(shù)據(jù)D,網(wǎng)絡(luò)構(gòu)造確定彳爰，添加變量相稱麻煩（AB）

23.如下哪些不是近來鄰分類器的特黠，A,它使用品體的訓(xùn)練實(shí)例迤行預(yù)測(cè)，不必維護(hù)源自

數(shù)據(jù)的模型B,分類壹種測(cè)試樣例^銷很大（:，近來鄰分類器基于全局信息造行預(yù)測(cè)D,可以生

產(chǎn)任意形狀的決策邊界IQ

24.如下那些不是基于規(guī)則分類器的特黠，A,規(guī)則集的體垣能力逮不如決策樹好B,基于規(guī)則

的分類器都封屬性空間迤行直線劃分，并將類指派到每］固劃分C,輾法被用來產(chǎn)生更易于解

釋的描述性模型D,非常適合處理類分布不平衡的數(shù)據(jù)集（AC）

25.如下屬于聚類算法的是（ABD）。

A、K均值B、DBSCANC、AprioriD、Jarvis-Patrick（JP）

26.（CD）都屬于簇有效性的監(jiān)督度量。

A、輪廓系數(shù)B、共性分類有關(guān)系數(shù)C、端D、F度量

27.簇有效性的面向相似性的度量包括（BC）。

A、精度B、Rand記錄量C、Jaccard系數(shù)D、召回率

28.（ABCD）道些數(shù)據(jù)特性都是封聚類分析具有很強(qiáng)影響的。

A、高維性B、規(guī)模C、稀疏性D、噪聲和離群粘

29.在聚類分析常中，（AD）等技術(shù)可以處理任意形狀的簇。

A、MIN（罩鏈）B、MAX（全鏈）C、組平均D、Chameleon

30.（AB）都屬于分裂的層次聚類算法。

A、二分K均值B、MSTC、ChameleonD、組平均

1.數(shù)據(jù)挖掘的重要任務(wù)是優(yōu)數(shù)據(jù)中發(fā)琪潛在的規(guī)則，優(yōu)而能更好的完畢描述數(shù)據(jù)、預(yù)測(cè)數(shù)

據(jù)等任務(wù)。（封）

2.數(shù)據(jù)挖掘的目的不在于數(shù)據(jù)采集方略，而在于封于已^存在的數(shù)據(jù)迤行模式的發(fā)掘。（封）

3.圖挖掘技術(shù)在社畬網(wǎng)絡(luò)分析中飾演了重要的角色。（封）

4.模式卷封數(shù)據(jù)集的全局性^它封整他1測(cè)量空間的每壹黠做出描述：模型則封變量變

化空間的宜種育限區(qū)域做出描述。（至昔）

5.尋找模式和規(guī)則重要是封數(shù)據(jù)謹(jǐn)行干擾，使其符合某種規(guī)則以及模式。（金昔）

6.離群黠可以是合法的數(shù)據(jù)封象或者值。（W）

7.離散屬性^是具有有限（0值。（帛音）

8.噪聲和偽像是數(shù)據(jù)金昔誤it壹相似表述的兩種叫法。（拿昔）

9,用于分類的離散化措施之間的主線區(qū)別在于與否使用類信息。（封）

10.特性提取技術(shù)并不依賴于特定的領(lǐng)域。（籍）

11.序列數(shù)據(jù)沒有畤間戳。（W）

12.定量屬性可以是整數(shù)值或者是持續(xù)值。（封）

13.可視化技術(shù)封于分析的數(shù)據(jù)類型直般不是專用性的。（￡昔）

14.DSS重要是基于數(shù)據(jù)倉庫.聯(lián)機(jī)數(shù)據(jù)分析和數(shù)據(jù)挖掘技術(shù)的應(yīng)用。（封）

15.OLAP技術(shù)側(cè)重于把數(shù)據(jù)庫中的數(shù)據(jù)逛行分析、轉(zhuǎn)換成輔助決策信息，是繼數(shù)據(jù)庫技術(shù)發(fā)

展之彳爰迅猛發(fā)展起來的壹種新技術(shù)。（封）

16.商業(yè)智能系統(tǒng)與壹般交易系統(tǒng)之間在系統(tǒng)設(shè)計(jì)上的重要區(qū)別在于：彳灸者把構(gòu)造強(qiáng)加于商

務(wù)之上，壹旦系統(tǒng)設(shè)計(jì)完畢，其程序和規(guī)則不畬輕易變化；而前者則是壹種摯習(xí)型系統(tǒng)，能

自勤適應(yīng)商務(wù)不停變化的規(guī)定。（封）

17.數(shù)據(jù)倉庫中間層OLAP服務(wù)器只能采用關(guān)系型OLAP（金昔）

18.數(shù)據(jù)倉庫系統(tǒng)的構(gòu)成部分包括數(shù)據(jù)倉庫，倉庫管理，數(shù)據(jù)抽取，分析工具等四他部分.

侈昔）

19.Web數(shù)據(jù)挖掘是通謾數(shù)據(jù)庫仲的某些屬性來預(yù)測(cè)另宣種屬性，它在驗(yàn)證顧客提出的假設(shè)

遇程中提取信息.（^）

21.關(guān)聯(lián)規(guī)則挖掘謾程是發(fā)滿足最小支持度的所有項(xiàng)臬代表的規(guī)則。（令昔）

22.運(yùn)用先驗(yàn)原理可以協(xié)助減少頻繁項(xiàng)集產(chǎn)生疇需要探查的候選項(xiàng)他數(shù)（射）。

23.先驗(yàn)原理可以表述卷：假如壹種項(xiàng)集是頻繁的，那包括它的所有項(xiàng)集也是頻繁的。（金昔

24.假如規(guī)則不滿足置信度閾值，則形如的規(guī)則宣定也不滿足置信度閾值，其中是X的子

集。（H）

25.具有較高的支持度的項(xiàng)集具有較高的置信度。（^）

26.聚類（clustering）是迨樣的遇程：它找出描述并辨別數(shù)據(jù)類或概念的模型（或函數(shù)），以便

可以使用模型預(yù)測(cè)類襟識(shí)未知的封象類。（^1）

27.分類和回歸都可用于預(yù)測(cè)，分類的輸出是離散的類別值，而回歸的輸出是持續(xù)數(shù)值。（封）

28.封于SVM分類算法，待分樣本集中的大部分樣本不是支持向量，移去或者減少造些樣

本封分類成果沒有影響。1封）

29.Bayes法是壹種在已知彼驗(yàn)概率與類條

件概率的狀況下的模式分類措施，待分樣本的分類成果U又決于各類域中樣本的全體。（^）

30.分類模型的誤差大體分懸兩種：訓(xùn)練誤差（trainingerror）和泛化誤差（generalization

error）.圉）

31.在決策樹中，伴隨樹中結(jié)黠數(shù)變得太大，雖然模型的訓(xùn)練誤差遢在繼續(xù)減低，不謾檢查

誤差^始增大，it是出琨了模型擬合局限性的冏題。（令昔）

32.SVM是適樣壹種分類器，他尋找具有最小邊緣的超平面，因此它也常常被稱卷最小邊緣

分類器（minimalmarginclassifier）住音）

33.在聚類分析常中，簇內(nèi)的相似性越大，簇間的差異越大，聚類的效果就越差。（^）

34.聚類分析可以看作是壹種非監(jiān)督的分類。（封）

35.K均值是套種產(chǎn)生劃分聚類的基于密度的聚類算法，簇的倜數(shù)由算法自勤地確定。雄背

36.給定由兩次運(yùn)行K均值產(chǎn)生的兩彳固不壹樣的簇集，誤差的平方和最大的那值I應(yīng)常被視卷

較優(yōu)。儂）

37.基于鄰近度的禽群黠檢測(cè)措施不能處理具有不壹樣密度區(qū)域的數(shù)據(jù)集。（封）

38.假如壹種封象不強(qiáng)屬于任何簇，那么該封象是基于袋類的離群鉆。（W）

39.優(yōu)黠作卷他I體簇^始,每壹步合并兩他最靠近的簇，道是壹種分裂的層次聚類措施。（帛肯）

40.DBSCAN是相封抗噪聲的，并且可以處理任意形狀和大小的簇。（封）

普加搜索引擎面試，題：

壹、基本冏答題：

1.冒泡和插入排序哪他快？快多少？

同樣快（假如插入排序指的是直接插入排序的話）

同樣快（假如插入排序指的是折半插入排序的話）

同樣快（假如插入排序指的是二路插入排序的話）

同樣快（假如插入排序指均是表插入排序的話）

插入排序快（假如插入排序指的是希爾插入排序的話）理論上快0（M2）-0（nA1.3）o

2.1g闡明冒泡排序和插入排序的序列應(yīng)用何種數(shù)據(jù)構(gòu)造儲(chǔ)存更好？分別封應(yīng)著STL中哪他

Tempelate?

置泡排序用數(shù)組比很好，射應(yīng)著template中的vector；

插入排序用鏈表比很好，射應(yīng)著template中的deque。

3.在只有命令行的條件下，你喜歡怎樣調(diào)試程序？

在linux平臺(tái)下下用gcc暹行編譯，在windows平臺(tái)下用cl.exe暹行編譯,用make工具根據(jù)

目的文獻(xiàn)上壹次編譯的畤用和所依賴的源文獻(xiàn)的更新畤問自勃判斷應(yīng)富編譯哪些源文獻(xiàn)，提

高程序調(diào)試的效率.

4.數(shù)據(jù)的邏輯存儲(chǔ)構(gòu)造（如數(shù)組，隊(duì)列，樹等）封于軟件^發(fā)具有拾分重要的影響，試封你

所理解的多種存儲(chǔ)構(gòu)造優(yōu)運(yùn)行速度、存儲(chǔ)效率和合用埸所等方面暹行簡(jiǎn)要地分析。

運(yùn)行存儲(chǔ)

合用埸所

速度效率

數(shù)組快高比較適合選行查找操作，尚有像類似于矩陣等的操作

鏈表較快較高比較適合增刪改頻繁操作，勤態(tài)的分派內(nèi)存

隊(duì)列較快較高比較適合謹(jǐn)行任務(wù)類等的調(diào)度

棧壹般較高比較適合遞歸類程序的改寫

二叉樹較快壹般壹切具有層次關(guān)系的冏題都可用樹來描述

（樹）

圖?會(huì)般d般除了像最小生