简介：一份面向数据仓库与数据挖掘课程期末考试整理的试题资源，适合高校计算机、信息管理等相关专业的学生复习备考，也可供授课教师作为测验参考。压缩包内仅包含1个doc文档，大小约130KB，内容为完整的试题卷面。试卷涵盖数据仓库的四大特点、元数据分类、OLAP多维分析操作、ODS运营数据存储等填空与多选题目，并附有Apriori关联规则挖掘的候选集生成与支持度计算规范步骤，以及K-Means聚类以欧式距离判定类别的迭代演算过程，还有数据流图设计题，能帮助复习者系统掌握数据仓库架构与常用数据挖掘算法的核心考点与典型解法。目前已有399人学习，对备考和教学具有较高的针对性参考价值。

1. 这门考试为什么难：数据仓库与数据挖掘技术考试试题不是背书，是三种能力的混合考核

第一次拿到《数据仓库与数据挖掘技术考试试题》的时候，不少人的第一反应是：把概念背熟就能过关。但翻过近几年的试卷就会发现问题没有这么简单——数据仓库部分会给你一张业务表，让你画星型模型；数据挖掘部分会给你一份事务数据，让你手算支持度和置信度。这背后考的是三件事：能不能看懂业务并转成维度模型，能不能把算法步骤完整算对，能不能在简答题里说清楚一个概念为什么这样设计。

我把这套试卷拆成两个主战场来聊：前半场是数据仓库的建模与架构，后半场是数据挖掘的算法与评估。适合正在备考期末、准备从业考核，或者想系统自测一遍数据基础能力的读者。本文会按「考点是什么 → 每一类题怎么答 → 踩过的坑在哪 → 考前怎么救」推进，目标不是把你变成数据专家，而是让你坐到考场上的时候，每类题都有明确的下笔路径，而不是靠临场发挥。

2. 从试卷结构反推考点：数据仓库与数据挖掘的命题逻辑和复习优先级

有人复习这门课的习惯是从第一章翻到最后一章，觉得每句都是重点。但考试的命题逻辑其实非常固定，固定到可以用「三比一」来概括：数据仓库、数据挖掘、数据预处理三块，前两块占七成以上，第三块渗透在选择题和大题里。吃透出题人的习惯，比多看两遍教材更管用。

2.1 数据仓库侧的固定考点：维度建模、分层架构和 ETL，为什么每卷必考

数据仓库部分几乎不会脱离这几块：维度建模理论、星型/雪花模型转换、数据仓库分层架构、ETL 过程、数据质量与元数据管理。其中维度建模是命题人最偏爱的阵地，因为它不像名词解释那样抄书就能得分，而是给一个业务场景，让你自己把事实表和维度表拆出来。

维度建模的核心是四步套路：选业务过程、声明粒度、确定维度、确定事实。以销售为例，业务过程就是「下单」而不是「退货」；粒度是「订单明细行」，不是「汇总一天」。很多考生在这四步上栽跟头，常见的翻车是把业务过程、粒度混在一起描述。答题时应该分成独立的四行写，每行都有对应内容，阅卷者才能快速判定你理解了。

星型模型和雪花模型的对比也是出现频率很高的点。两者的本质区别在于维度表是否继续规范化。下表是高频对比维度，建议直接按表记忆，考场上不要现场推导。

另一个必考概念是分层架构。常见分层是 ODS（操作型数据存储）、DWD（明细层）、DWS（汇总层）、ADS（应用层）。简答常拿它做文章，比如「为什么 DWD 不直接接业务库」——答案的核心是解耦、统一口径、数据质量可控。回答这种题时，不要只写层名，要写出每一层解决什么问题，否则和背目录没有区别。

ETL 的考点没那么难，常考问题是抽取策略：全量抽取、增量抽取、变化数据捕获。简单的记忆锚点是：初始建仓用全量，日常同步用增量，实时要求高的用日志捕获。如果试卷给出一个场景问选哪种，先判断数据量和时效要求，再下结论。

2.2 数据挖掘侧的算法族群：分类、聚类、关联规则，考的是选择而不是背诵

数据挖掘考试的重头戏集中在三大类：分类、聚类、关联规则。命题人几乎不会要求你背诵某个算法的完整推导，而是反复考两个能力：给定数据集特征选哪个算法，以及给定一个小数据集做手算。

分类算法里必须分清监督与无监督：决策树、朴素贝叶斯、K 近邻、逻辑回归属于有监督，聚类属于无监督，关联规则属于无监督的关联模式发现。考试中最爱考的陷阱是把 K-Means 说成有监督，或者把「已知类别标签」的场景交给聚类去做。要在考场上快速判断，就看数据里有没有目标属性。

聚类部分，K-Means 是手算题常客，DBSCAN 也经常出现在选择题。区别记忆：K-Means 适合球形簇，需要指定 K 值，对噪声敏感；DBSCAN 不需要提前给簇数，能识别任意形状的簇，但两个参数 minPts 和 eps 调起来有玄学成分。试卷给出「某公司会员分为核心、活跃、流失三类，但无法预知类别数」时，正确答案往往不是 K-Means 而是 DBSCAN。

关联规则几乎只围绕 Apriori 和 FP-Growth。Apriori 考手算，FP-Growth 考概念。核心指标是支持度、置信度、提升度。提升度大于 1 是正相关，小于 1 是负相关，等于 1 则相互独立——这是简答和选择都爱挖坑的地方，尤其是把提升度等于 1 说成「强关联」的错误选项。

除了算法本身，评估指标是另一个固定得分点。准确率、精确率、召回率、F1、ROC 曲线下的面积。关键在于理解精确率是被判为正例里真的比例，召回率是真正例被找出来的比例。如果记不住，就记「精确率看分母是预测结果，召回率看分母是真实数据」。

2.3 优先级排序：哪些题必须拿满，哪些知识点不值得占用最后一周

这门课的复习时间如果只有最后一周，我的经验是不要平均用力。先列一张优先级表，把分数的重心放在绝大多数人可以稳定拿分的地方。

复习顺序建议按高优先级先走：先把维度建模四步练到能默写，再把 Apriori 和第二三步走两遍，之后花半天时间专项训练 K-Means 和信息增益的计算。最后再拿零散时间背预处理的要点和评估指标。低优先级的内容如果时间实在不够，可以直接放弃，不影响全局。

3. 手把手拆高频小题型：选择题、填空题、简答题的答题节奏与细节

小题在试卷里占的分值通常在 40 到 60 分之间，特点是单个分值小、题量多、覆盖面广。很多考生把复习时间花在大题上，结果选择题靠感觉蒙、填空题靠印象写，反而丢了不少稳定分。这一章的思路是把小题的常见考法和对应的答题节奏理清楚，让你在考场上不用每道题都犹豫两分钟。

3.1 选择题的四种设错方式与排除思路（含真题典型案例）

选择题的常见设错方式比我一开始以为的更加套路化。第一种是把两个概念的特性互换，尤其集中在 OLAP 和 OLTP 上。如果选项里出现「联机分析处理强调的是事务性的高并发写入」，答案立刻就能排除，因为 OLAP 的核心特征是面向分析、读多写少、历史数据，事务性写入是 OLTP 的事。

第二种是给算法加错误能力描述。经典陷阱包括：「K-Means 可以自动确定最优簇数」「C4.5 只能处理离散属性」。K-Means 的 K 是必须提前指定的，这是它与 DBSCAN 的最大区别；C4.5 改进于 ID3，恰恰是支持连续属性处理的。看到算法加能力描述时，先回忆边界，而不是回忆教材里算法的优点。

第三种是把支持度、置信度、提升度的定义混淆。比如「置信度指包含项集的事务占总事务的比例」就是错的。记住：支持度的分母是总事务数，置信度的分母是包含前件的事务数。可以在考场上用一道只包含两个项的规则自测：A 出现 3 次，B 出现 4 次，AB 出现 2 次，总事务 10 条，那么支持度是 0.2，置信度是 2/3 而不是 2/4，这个对照十分直接。

第四种是把预处理范畴搞混。缺省值处理、噪声平滑、数据规范化、离散化都属于数据预处理，但「利用索引加速查询」属于物理设计。这类题目最考察记忆边界，建议考前用半小时做一次归类整理，比反复看书更高效。

做题节奏方面，我的习惯是一分钟做不出的选择题先跳过，等大题写完再回头。原因是很多选择题的答案是靠几个关键词就能锁定的，大题做多了脑子里的知识结构会被激活，回头再看往往比死磕更快。

3.2 填空题的必背结论：按命题词记忆，而不是按整句记忆

填空题基本属于送分题，只要能踩中空里的关键词。高频考点集中在几类结论性知识上。第一类是定义填空，例如「数据仓库是面向主题的、集成的、非易失的、随时间变化的——」「数据挖掘是从大量数据中提取出潜在的、有用的——(知识/模式)」。这类靠背。

第二类是公式填空，信息熵、信息增益、支持度、置信度、欧氏距离，都在高频范围。填公式时注意考试里的统一写法。我见过不少考生把信息增益的公式写了，但忘了减号后面的条件熵到底加不加负号，最终整道填空丢了分。建议考前把公式默写到草稿纸上，检查一遍再抄进卷面。

第三类是流程步骤填空，比如 KDD 的完整过程：数据选择、数据预处理、数据变换、数据挖掘、模式评估、知识表示。这里最容易被漏掉的是「数据预处理」和「模式评估」，因为教材不同版本的术语略有差异。答题时如果空后面提示「表示结果」，往前推一步就是模式评估。

第四类是参数填空，比如 Apriori 的两个输入参数是最小支持度和最小置信度，DBSCAN 的两个参数是邻域半径 eps 和邻域内最少样本数 minPts，K-Means 的输入参数是簇个数 K 和迭代次数。参数填空的坑在于概念区分，比如最小支持度有时写成 min_sup，英语缩写要与中文术语对接，考场上不要只写一个符号。

我个人的记忆方法是把整句话压缩成五个以内的关键词，考前在草稿纸上写三次。比如「数据仓库的特征」压缩成「主集非变时」，「KDD 流程」压缩成「选预变挖评表」。上了考场把关键词还原成完整术语，填空基本不会卡壳。

3.3 简答题的答法模板：定义 + 场景 + 对比 + 一句总结

简答题翻车通常不是因为不会，而是因为写太多且没有踩点。阅卷者的习惯是按关键词给分，一段话里没出现正确的术语，写得越多越危险。我总结出一个四步答法：先写定义或结论句，接着给一个具体场景例子，然后和容易混淆的概念做一次对比，最后用一句边界条件收尾。全程控制在四到六行。

以「什么是过拟合？如何避免？」为例。第一步写定义：模型在训练集上表现好，在测试集上表现差，本质是学习了噪声而不是规律。第二步给场景：构建用户流失预测时，把某月中一天的特殊波动当成规律，导致新数据预测乏力。第三步对比：过拟合与欠拟合的区别，一个太复杂、一个太简单。第四步边界：增加数据量、降低模型复杂度、正则化、交叉验证是常用手段，且要在验证集上做参数选择。这个结构让阅卷者一眼找到给分点。

另一种高频简答是「为什么数据仓库要与业务系统分离」。答案要抓住性能与业务解耦：业务系统面向并发事务，仓库面向历史分析；仓库单独建设可以避免分析查询拖垮生产库；数据口径能在仓库层统一。答题顺序建议先摆出结论，再一二三列原因，不要写长段落。阅卷者扫卷速度极快，短句配合编号比一大段话舒服得多。

简答题还有一个容易被忽略的地方：题目问「是什么」时尽量别答「怎么办」。比如「描述数据清洗的主要任务」，答案应该是识别缺失值、处理噪声、纠正不一致，如果大篇幅写清洗工具就用错了方向。开考前把题目里的「描述、分析、比较、说明」圈出来，按动词类型决定回答结构。

4. 大题实战：从星型建模到 Apriori 与 K-Means 手算的标准答题流程

大题占分最重，通常是一道建模设计题加两道算法计算题。很多人看到大题就紧张，其实它们是最不需要「灵感」的部分：步骤固定、给分点固定，只要平时把流程走熟，考场上就是按顺序填空。我按三种最常出现的大题类型分别拆解答题流程。

4.1 星型模型设计题：实体关系图转多维模型的四步套路

软件工程时期学过实体关系图的人，写维度建模时容易带着旧习惯：想保留表和表之间的复杂引用关系。但星型模型的设计思路是反过来的，以事实表为中心，所有维表直接与事实表连接。这里我给一个常见做法：先忽略业务数据库中已有的外键关系，从分析需求重新出发。

以一个模拟项目 X 为例：某连锁零售企业需要分析各门店每日各类商品的销售金额、销售数量、成本和毛利，同时要知道商品属于哪个品类。题目要求设计星型模型，并说明粒度。

第一步选业务过程，写「销售收银明细」。第二步声明粒度，这是最能拉开分数差距的一步，必须写「事实表中的每一行对应一张收银小票中的一个商品明细行」，而不是「对应一张小票」。第三步确定维度：时间维、门店维、商品维、促销维。第四步确定事实：销售数量、销售金额、销售成本、毛利。其中毛利是派生事实，可以由后两行相减得到。

答题时的表格可以按下面这种格式组织，阅卷者扫一眼就能看出你理解正确：

只能出现在维表里的字段要特别注意，比如门店所在城市、区域经理，不能放到事实表。题目若给出缓慢变化维的场景，需要补充说明用拉链表保留历史状态，没有特殊要求则默认维表直接覆盖更新。

4.2 Apriori 关联规则手算题：候选集生成、剪枝与计数，每一步都不能跳

Apriori 计算题的典型给分方式是分步得分的，就算最后关联规则算错，前面候选集正确的步骤仍然有分。所以考场上把每一步清楚写出，比直接写最终结果更划算。我也见过不少考生只写最终结论，在中间步骤上失掉了大部分分数。

以 5 条事务为例，事务内容分别是：{牛奶, 面包, 尿布}、{面包, 尿布, 可乐}、{牛奶, 尿布, 可乐}、{牛奶, 面包, 尿布, 可乐}、{面包, 可乐}。设定最小支持度为 2（共有 5 条事务，最小支持度计数就是 2）。第一步生成频繁 1 项集：查每个单项的出现次数，牛奶 3、面包 4、尿布 3、可乐 4。都大于等于 2，全部保留。

第二步生成候选 2 项集，由频繁 1 项集两两组合：{牛奶,面包}、{牛奶,尿布}、{牛奶,可乐}、{面包,尿布}、{面包,可乐}、{尿布,可乐}。逐项计数后，唯一不达标的是{牛奶,可乐}，出现次数仅为 1，其他均为 3 或 2。频繁 2 项集因此保留五个。

第三步生成候选 3 项集时，关键在于Apriori的剪枝法则：任何一个 2 项子集都必须出现在频繁 2 项集中，否则直接剪掉。比如{牛奶,面包,可乐}包含子集{牛奶,可乐}，而该子集不频繁，因此候选被剪除。最后剩下的候选只有{牛奶,面包,尿布}和{面包,尿布,可乐}。计数后都达到最小支持度，频繁 3 项集就是这两个。

如果题目继续要求计算规则置信度，以规则{牛奶,面包}→{尿布}为例，置信度等于支持度计数的比值：{牛奶,面包,尿布}出现次数 2，{牛奶,面包}出现次数 2，置信度为 1.0。分母一定是规则左侧项集的支持度计数，我在这个地方出错过一次，后来给自己立了一个规矩：凡是算置信度，先写出分母是哪个集合的计数，再代入数字，保证逻辑链完整。

4.3 信息增益与 K-Means 手算：数字要算对，更要写清楚决策分界

信息增益的计算常和数据表一起出现，比如给出一组天气、是否周末、是否有促销，预测是否购买。以熵的计算为例，类别只有买和不买两类，假设总样本 14 条，买 9 条、不买 5 条，那么信息熵为：-（9/14）log₂（9/14）-（5/14）log₂（5/14）。计算时注意底数统一为 2，不要同时混用自然对数。

针对每个属性分别计算条件熵。比如「是否周末」属性取值为周末和不周末，各自内部买/不买的分布不同。计算方式是分别求两个子集的熵，再按子集比例加权平均，然后用总熵减条件熵得到信息增益。考试时不要求算到小数点后四位，但要保留到三位左右，并且写清楚每一步的加权方式。

我在阅卷情形下见过的最常见错误是：条件熵的权重直接用子集样本数当分子，却忘记除以总样本数。答题模板建议每算一个属性都写一行「Gain = 总熵 - 加权条件熵 = 0.940 - 0.694 = 0.246」这样的完整等式，不要只写结果。这样即使最后数据小有偏差，过程分依然能拿到。

K-Means 手算题的给分逻辑类似。先指定样本点和初始簇中心，然后反复执行两步：计算每个点到两个中心的欧氏距离并分配最近簇，再重新计算每个簇的平均值作为新中心。举一个只有五个点的例子：A(1,1)、B(1,2)、C(2,1)、D(5,4)、E(5,5)，设初始中心为 A 和 D。第一次迭代中，B 和 C 离 A 更近，E 离 D 更近，两个簇分别是{A,B,C}和{D,E}。新中心分别是(4/3,4/3)和(5,4.5)。

第二次迭代需要重新计算距离。因为中心已经变化，有些点可能保持簇归属，但距离数值必须重新算。答题必须写：新中心坐标、各点归属、中心是否变化。如果两次分配结果一致、中心不再变化，迭代终止，这就是 K-Means 的收敛条件。我习惯在做完每一步后在草稿纸上核对一次上一次的中心点坐标，避免把两组数值抄反。

5. 数据仓库与数据挖掘考试避坑指南：五个高频翻车现场与排查办法

下面的五个坑来自我这些年见过的真实丢分点，也有一半是我自己早期踩过的。分别写清现象、原因和解决办法，方便你在考场上出现类似情况时快速自查。

5.1 把星型模型画成了多个事实表互相连接

现象：题目只要求设计一个销售主题的星型模型，考卷上却画出了多个实体用线全部相连，看起来不像星型而像关系网。审题时自己觉得没问题，但阅卷标准里的「以事实表为中心，维度表只连事实表」被违反。

原因：还是带着实体关系图的建模习惯答题，习惯性地把商品和门店、时间也直接关联起来，没有意识到星型模型有意不建维表之间的引用关系。维表之间即使有业务关联，分析查询也是通过事实表间接完成。

解决：画图前先写出定义，确认唯一核心是事实表。提笔就画一个中心方框，标注「销售事实表」，然后把维表放在四周。任何一条连线只允许出现在事实表和某个维度表之间。答题纸上可以用文字补充说明「所有维度表只与事实表关联」，这样阅卷者能立刻看出你清楚扇结构的设计意图。

5.2 Apriori 直接跳过剪枝步导致候选集膨胀

现象：计算 Apriori 时，候选 3 项集直接由频繁 2 项集两两合并得到，没有先检查其 2 项子集是否都在频繁 2 项集中。结果算出来的支持度计数容易出现凭空多出的组合，后续规则全部对不上。

原因：背下了「组合连接」这一步，却忽略了 Apriori 先验性质的逆否命题：如果一个项集的子集不频繁，它自身一定不频繁。连接生成候选之后必须有一行专门体现剪枝检查。

解决：答题时把候选集生成分成两个子步骤在草稿纸上展示：先写出所有由连接得到的候选，再逐一检查任意二项子集，划掉不满足的。最终卷面上写两行：「连接生成候选」和「剪枝后保留候选」，中间夹一句话说明被剪掉的具体项集。凡是写完候选直接跳到计数的，一律需要回头补检查。

5.3 K-Means 用了中位数当中心点

现象：手工迭代 K-Means 时，算出的簇中心明显偏移，后续分配结果看起来不对，检查后才发现自己用簇内点的中位数位置当作新中心。

原因：把「聚类中心」理解成了「簇内代表点」，或者借鉴了 DBSCAN 核心点的思路，导致用排列的中位数代替均值计算。K-Means 的中心是簇内样本在每个维度上的算术平均，这是定义。

解决：每次更新中心时都完整写一遍公式：横坐标是所有簇内点横坐标之和除以簇内点数，纵坐标同理。做完后顺手把平均数和中位数对比一次，如果在草稿纸上发现两者数值不一样，以均值公式计算结果为准。另外注意迭代终止条件是分配不再变化或达到最大迭代次数，不要一直算到无穷轮。

5.4 简答题答非所问——背了段落但没答到点

现象：问「为什么数据仓库采用维度建模」，答了一大段维度建模的历史来源和工具支持，却没有正面回应分析场景、查询效率和业务友好性。卷面很满，阅卷者却找不全给分关键词。

原因：考前背的是段落形资料，对问题的提问方向缺乏辨析。把论述文默写出来，而不是针对设问组织答案。

解决：动笔前把设问里的动词圈出来。「为什么」对应原因，「区别」对应对比，「举例说明」对应实例。然后按第 3 章的模板先写下三个以内的关键词草稿，再扩成三个短句。写完后和朋友或自己互相检查：不看原题，只看答案能不能猜出题目在问什么，猜不出来就说明作答角度偏差了。

5.5 时间分配失控：设计题写太细，计算题没地方落笔

现象：考场上星型模型部分把维表属性列得极其详细，一气呵成写了 8 个字段，结果后面的 Apriori 计算题只写了一半就到交卷时间。最终计算题白白丢掉大几十分。

原因：没有提前规划分值占比，在低分步骤上过度展示。设计题每个维表写四个左右关键字段足够，详细字段标注不是主要给分点；而计算题的中间步骤和最终结果都是强给分点。

解决：拿到试卷先用一分钟快速扫一遍所有大题分值。设计题每题顶多留 12 到 15 分钟，计算题每道留至少 10 分钟。在草稿纸上先写每道大题的截止时间，到点就切换。如果设计题写到一半发现超时，立刻停笔把维度表和事实表的主要字段列完，剩下的扩展描述全部放弃，优先把计算题的结构搭出来。

6. 考前 24 小时的三步验证法：把「看过答案」变成「能写出答案」

考前最后一天，最忌把教材从头到尾重翻一遍。人会误以为眼睛扫过的内容都进了脑子，但一合上书就写不出来。我平时在备考时习惯用一个三步验证法，专门检测自己到底是真会还是假会。

第一步，闭卷默写公式卡。拿出空白纸，默写信息熵公式、信息增益的加权表达、支持度与置信度的定义式、欧氏距离公式、K-Means 中心更新公式。每写完一个就去对答案，错的地方不是看一眼就翻篇，而是把正确表达式用手抄三遍，并且重读一遍这个公式的每一步变量含义。公式如果默写不出来，考场上一定会卡壳。

第二步，蒙眼走一遍建模模板。在一张空纸上从维度建模四步开始默写：选业务过程、声明粒度、确定维度、确定事实。再给自己随便定一个业务场景，比如课程培训报名，只花五分钟把事实表字段和四个维度表主干列出来。列完对照答案，看粒度有没有写成「一次报名」，而不是「一张订单里的一个课程明细」。这一步能直接暴露建模题是否真正内化，因为它考察的是结构记忆，不是文字记忆。

第三步，做一次 30 分钟的限时仿真。从网上常见的模拟题里挑一小套题，包括 5 道选择题、2 道简答和 1 道星型建模题，严格按 30 分钟推进。做完对照得分点自查：选择题里判断算法性质是否一眼看穿，简答题的首行是否有定义句，建模题里事实表与维表的字段是否区分清晰。限时的目的不是练速度，而是逼迫你在紧张状态下暴露出最容易忘的关键词。

有一件事我印象特别深。某次考前的晚上，我把关联规则的推导看了好几遍，觉得十拿九稳。第二天试卷上出现了一道 3 项集的置信度计算题，要在卷面上写清分母来源，我却卡在那里好几次，因为平时一直是在脑海里推演，没有真正用手写过完整步骤。那次以后，我每次考试前都会在草稿纸上把 Apriori 的一道小计算题从头到尾写一遍，从候选集到剪枝再到置信度，一步不省。这个习惯帮我稳定地保住了计算题分数，也让我在做后续相关题目时思路顺畅不少。

备考这门课，真正拉开差距的往往不是谁看得多，而是谁能在合上书本之后，把手下的步骤写得干净、完整、踩点准确。把它当成一次工程能力的小型演练，你会发现试卷里的每一种套路都能被拆成几步固定动作。希望这篇梳理能帮你在备考路上少走一些弯路，考场上写出让阅卷者一眼认可的答案。

本文还有配套的精品资源，点击获取