企业官网建设流程全解析

简介：面向数据仓库与数据挖掘课程期末备考的试卷文档，出自重庆大学研究生课程考核，适合本科高年级与研究生梳理知识框架、自测掌握程度。试卷分简答题与综合分析题两大部分：简答题覆盖数据仓库设计的操作视图、分析视图、历史视图与细节视图，分位数—分位数图解读，数据清洗、集成、转换与规约等预处理技术，以及星型、雪花型、实时星座三种数据仓库模式和决策树分类算法框架；综合分析题则以词频向量计算文档距离并用KMeans求聚类中心，另设汽车保险费率评估方案设计，要求分析事故概率与赔付金额的决策特征并选择预测模型。压缩包内仅含1个doc文件，约64KB，保留了原始试卷版式、题号与分值分布，便于直接打印或对照作答。目前已有735人学习下载，可用于考前模拟、答题复盘与知识点查漏补缺。

1. 一份数据挖掘期末试卷：从 5 道大题反推 8 个必会知识点

一份 2011 版数据挖掘期末试卷，最值钱的地方不是题目本身，而是它把数据仓库、预处理、模式设计、决策树、文本距离、KMeans 和车险费率方案串成了一条线。很多人拿到试卷只背答案，换个问法就翻车；这份卷子的价值在于，它把“概念题”和“综合计算题”放在同一张卷子里，能直接暴露你是只会背名词，还是能把参数、公式和业务标签落到纸面上。

它适合两类人：一是正在准备数据仓库与数据挖掘课程考试的人，二是需要快速复盘维度建模、距离度量、聚类中心和风险建模流程的从业者。试卷里的题面不算新，但考点很集中，尤其是 TF 向量距离、KMeans 簇中心、Q-Q 图解读和车险费率特征设计，都是换到实际项目里仍然会遇到的硬骨头。

下面按“数据仓库设计 → 预处理与图形解读 → 决策树与文本聚类 → 避坑排查 → 车险方案收尾”的顺序拆。原卷和批注版我整理在资源包里，按知识点编了索引，照着上面的顺序过一遍即可。

2. 数据仓库四视图与三种模式：选型表、设计顺序和常见误答

2.1 四种视图不是四个报表：操作、分析、历史、细节怎么分

题面要求简述数据仓库设计中需要考虑的 4 种视图。这里最容易犯的错，是把“视图”答成“报表页面”或“前端界面”。数据仓库语境下的视图，是从不同数据组织角度切出来的逻辑层，不是可视化层。答题时我一般用四个要素定位：看什么对象、粒度多细、时间范围多长、主要给谁用。这四个要素一摆，操作视图、分析视图、历史视图和细节视图就不会混。

操作视图贴近业务系统的原始数据，关注当前状态和操作过程，粒度通常较细，更新频率高，主要服务于数据接入和业务核对。分析视图面向主题和分析指标，数据经过汇总、聚合或口径统一，主要给分析人员做趋势、对比和归因。历史视图强调时间维度，保存数据随时间的变化，常见做法是快照表、拉链表或带时间戳的事实表，用来回答“当时是什么样”。细节视图保留最细粒度，强调可追溯和可下钻，避免汇总后丢失原始信息。

这四类视图在同一个项目里往往同时存在，只是服务对象不同。操作视图解决“数据从哪里来、当前对不对”，分析视图解决“指标怎么算、口径统一不统一”，历史视图解决“变化怎么留痕”，细节视图解决“出问题能不能追到单条记录”。答题时如果只写一句“操作视图是操作人员看的”，阅卷人很难判断你理解的是数据组织还是界面展示。

提示：四视图题不要展开成四个系统架构图，先给一句总述，再用“对象—粒度—时间—使用者”四列对照，最后补一句“四者可以在同一数据仓库中并存”。这样既短又不容易漏点。

2.2 星型、雪花、实时星座：事实表与维度表的边界

星型模式、雪花型模式和实时星座模式，是数据仓库设计题里最常被混答的一组。星型模式的核心不是画出来像星星，而是“一个事实表在中心，多个维度表直接挂在周围”。事实表存业务过程的度量值和维度外键，维度表存描述性属性。它的优点是连接路径短、查询直观、冗余换性能，适合维度层级不深、查询频次高的场景。

雪花型模式是星型模式的规范化延伸：维度表不再全部扁平，而是把层级拆成多张表，比如商品维度拆成商品表、品类表、品牌表。好处是减少冗余、口径更规范；代价是连接变多，查询计划更复杂，报表性能可能下降。考试里常问“星型和雪花怎么选”，不要只答“雪花更规范”，要补一句“雪花适合维度层级稳定、更新一致性和存储冗余敏感的场景；星型适合查询性能和易用性优先的场景”。

实时星座模式可以拆成两层理解：星座模式是多张事实表共享一组一致性维度，适合多个业务过程一起分析；实时星座是在星座模式上增加实时数据接入和流式事实表，让实时事件和历史维度能够对齐。它的难点不在建模图形，而在时间口径、乱序事件、重复事件和实时与历史数据的合并。选型时如果业务只需要 T+1 报表，硬上实时星座就是过度设计；如果业务要求分钟级风险拦截，但维度表一天才更新一次，也要先解决维度实时性问题。

答题时建议按“业务过程 → 粒度 → 维度 → 事实 → 模式”的顺序写，不要一上来画三张图。先说明事实表存什么度量，再说明维度表存什么描述，最后才说选星型还是雪花。实时星座模式要单独补一句“实时接入带来的数据质量风险”，这比多画两个框更能体现边界意识。

2.3 从题目到设计稿：一张表走完维度建模

真到做题或做项目，维度建模可以按五步走。第一步确定业务过程，比如“车辆通过路口”“保单出险”“商品销售”，一次只选一个过程，避免把多个过程塞进一张事实表。第二步声明粒度，粒度要落到一行事实代表什么，是“一次通过事件”还是“一天一车汇总”，粒度不清后面所有指标都会打架。第三步确定维度，把描述性属性归到一致性维度里，比如车辆、路段、时间、驾驶员。第四步确定事实，只放可加或半可加的度量，比如通过次数、赔付金额、暴露时长。第五步选模式并处理缓慢变化维，最后用典型查询验证连接路径和指标口径。

这套顺序在试卷里可以直接转成答题结构：先写“以车辆通过事件为例”，再写“粒度为一次通过事件”，然后列维度“车辆、路段、时间、读卡器”，事实列“通过次数、停留时长、路段暴露次数”，最后说“优先星型，维度层级复杂时对路段维度做雪花化”。这样答，比单纯背三种模式的定义更稳。

3. 预处理与分位数-分位数图：清洗、集成、转换、规约怎么落到题面

3.1 三种预处理技术的答题颗粒度

题面要求简述三种常用的数据预处理技术及其作用。摘要里给了清洗、集成、转换、规约四种，考试要求三种时，优先答清洗、集成、转换；如果题目允许补充，再把规约加上。答题不要只写“清洗就是清洗脏数据”，要落到“处理什么脏、用什么规则、对后续模型有什么影响”。清洗处理缺失值、异常值、重复记录和 inconsistent 值；集成处理多源数据的实体对齐、字段映射和口径冲突；转换处理标准化、归一化、离散化和数值化；规约处理降维、抽样和汇总，目的是降低复杂度但尽量保留信息。

我一般会补一句“预处理不是一次性流水线，而是迭代过程”。比如缺失值填补后可能引入偏差，标准化后异常值影响会被放大，离散化边界选不好会把连续风险切断。答题时把这句放在技术列表后面，能体现你知道边界。参数不要写死，用“常见做法是缺失比例低于 20% 用中位数/众数填补，20% 到 50% 考虑模型插补，超过 50% 评估是否剔除该字段”这种条件化表述，比背一个绝对阈值更稳。

3.2 Q-Q 图解读：点落在对角线上、尾部偏离分别说明什么

分位数-分位数图，也就是 Q-Q 图，题面给的是两个公司销售商品价格数据的分位数对比。答题时先确认坐标：横轴通常是一个公司的分位数，纵轴是另一个公司的同分位数值，每个点对应同一个分位水平。点近似落在对角线上，说明两个分布的形状和尺度接近；点整体在对角线上方，说明纵轴公司同一分位上的价格更高；斜率明显大于 1，说明纵轴分布更分散；尾部偏离对角线，说明极端值区域分布不同，可能是厚尾、薄尾或异常值多。

最容易翻车的是把 Q-Q 图当普通散点图，看到点不在一根直线上就写“两个公司价格不相关”。Q-Q 图看的是分布的分位数对应关系，不是两个变量的相关系数。另一个坑是只描述“有偏离”，不说明偏离在主体还是尾部。答题时按“主体是否贴线 → 尾部是否翘起 → 截距和斜率说明什么 → 给一句业务结论”四步写，结论要限定在图形证据内，不要编造图上看不出来的原因。

注意：如果原图没有给出具体点位，不要假装读出了“某公司高价更多”。用条件化表述：“若上尾向上偏离，则说明……”，把判断规则写清楚，比硬编结论安全。

3.3 预处理顺序与参数边界

预处理顺序没有唯一答案，但答题和落地时要有稳定顺序：先做数据质量检查，再做清洗，再做集成，再做转换，最后做规约。原因是集成前先清洗可以减少跨源匹配噪声，转换前先集成可以避免单位不一致，规约放在最后可以避免降维后才发现字段口径错误。实际项目里这四步会来回迭代，但卷面答题给一个主顺序，再补一句“根据质量检查结果迭代”就够了。

参数边界可以按字段类型分。数值型缺失值：分布偏斜明显时用中位数，接近对称时用均值，类别型用众数或单独设“缺失”类别。异常值：用 IQR 规则或 1%/99% 分位截断，不要直接删除所有极端值，因为赔付金额、事故次数这类场景的极端值本身就是信号。标准化：基于距离的算法用 Z-score 或 MinMax，树模型对单调变换不敏感，但缺失值处理和类别编码仍会影响结果。规约：抽样要分层，降维要保留解释方差比例，汇总要保证指标可加性。

预处理题最忌写成工具名堆砌。把“处理什么、为什么处理、参数怎么定、处理后看什么”四件事写全，哪怕只答三种技术，也比列八个工具名更像做过数据的人。

4. 决策树与 TF 向量：手算距离、KMeans 中心与模型框架

4.1 决策树框架的五个步骤与停止条件

决策树分类算法框架可以按“输入—选择—划分—递归—停止/剪枝”五步写。输入是训练集 D、属性集 A 和标签；选择划分属性时看信息增益、信息增益率或基尼不纯度；按选中属性的取值把数据集划分成子集；对每个子集递归建树；满足停止条件后生成叶节点，再用验证集做剪枝。答题时不要只写“ID3、C4.5、CART”三个名字，要把选择度量和停止条件写出来，否则框架是空的。

停止条件常见有四类：节点样本数小于阈值、树深度达到上限、节点内类别足够纯、没有可继续划分的属性。剪枝分预剪枝和后剪枝，预剪枝在分裂前判断收益，后剪枝在树长成后自底向上裁剪。试卷里如果只问“框架”，把这四类停止条件补一句，能明显拉开差距。车险场景里，决策树可以用来做事故概率分类，但赔付金额是连续且零膨胀的，单棵分类树不够，后面第 6 章会收回到回归和验证口径。

4.2 四个文档的欧氏距离与余弦距离怎么算

题面给了四个文档的 8 维词频向量，要求计算 4 个文档之间的距离。答题第一步不是埋头算，而是先声明距离定义。常见做法是欧氏距离；如果题目强调文本相似度，也可能用余弦距离。欧氏距离公式是 (d(i,j)=\sqrt{\sum_k (x_{ik}-x_{jk})^2})，余弦相似度是 (\cos(i,j)=\frac{x_i \cdot x_j}{|x_i||x_j|})，余弦距离常用 (1-\cos(i,j))。两种都写出来，再选一种主算，卷面更稳。

四个向量为：文档 1[2,3,4,2,0,0,0,1]，文档 2[2,2,3,2,0,0,0,1]，文档 3[0,0,0,0,2,3,3,4]，文档 4[0,0,0,0,3,4,3,4]。按欧氏距离计算，结果如下：

从表里能看出，文档 1 和 2 很近，文档 3 和 4 很近，跨组距离明显大。这个结果直接为下一问 KMeans 两簇中心做了铺垫。答题时保留“差值平方和”这一列很有用，阅卷人能快速看到你有没有算错开方；同时检查对称性，d(1,2)=d(2,1)，d(i,i)=0，这两个检查能救回不少粗心分。

import numpy as np # 每行一个文档，列对应 8 个特征词 docs = np.array([ [2, 3, 4, 2, 0, 0, 0, 1], [2, 2, 3, 2, 0, 0, 0, 1], [0, 0, 0, 0, 2, 3, 3, 4], [0, 0, 0, 0, 3, 4, 3, 4] ], dtype=float) n = docs.shape[0] dist = np.zeros((n, n)) for i in range(n): for j in range(n): diff = docs[i] - docs[j] dist[i, j] = np.sqrt(np.sum(diff * diff)) # 欧氏距离 print(np.round(dist, 3)) # 按前两篇、后两篇分成两簇，簇中心取均值 center_a = docs[[0, 1]].mean(axis=0) center_b = docs[[2, 3]].mean(axis=0) print(center_a) print(center_b)

这段代码只做两件事：按行存向量、算对称距离矩阵；按指定簇取均值。docs的列顺序必须和题面特征词顺序一致，否则距离没有意义。若题目要求余弦距离，把dist[i, j]改成1 - np.dot(docs[i], docs[j]) / (np.linalg.norm(docs[i]) * np.linalg.norm(docs[j]))，并注意全零向量的分母保护；本题没有全零向量，可以直接算。代码算出的距离矩阵应和上表一致，中心向量应和下一小节一致。

4.3 KMeans 两簇中心：初始化、迭代和簇心表

第二问假设 KMeans 可以把 4 个文档聚成 2 个理想簇，要求给出两个簇的中心点。这里的“理想”基本在提示你：前四维和后四维分成两组。文档 1、2 在前四维有值，文档 3、4 在后四维有值，跨组距离都在 7 以上，组内距离只有 1.414。直接按{1,2}和{3,4}两簇取均值即可。

簇 A 的中心：文档 1 和文档 2 逐维平均，得到[2, 2.5, 3.5, 2, 0, 0, 0, 1]。簇 B 的中心：文档 3 和文档 4 逐维平均，得到[0, 0, 0, 0, 2.5, 3.5, 3, 4]。注意中心点是均值向量，不是某个文档本身，也不是四舍五入后的整数向量；卷面上保留 0.5 这类小数更准确。

如果从随机初始化开始跑，流程是：选 2 个初始中心，计算每个文档到中心的距离，把文档分到最近簇，重新计算簇内均值，重复到中心不再变化或达到最大迭代次数。目标函数是所有文档到最近中心的距离平方和。考试里给“理想聚类”时，可以直接给分组和均值；但答题时最好补一句“中心更新公式为簇内样本均值”，否则容易被认为只是猜出了分组。

提示：如果题目指定余弦距离，KMeans 的簇中心更新不一定是简单算术平均，可能需要归一化或球面 KMeans。卷面没有特别说明时，按欧氏距离和均值中心作答，同时把距离定义写在前面。

5. 避坑与排查：这份试卷最容易翻车的 5 个地方

5.1 四视图混答成四个报表

现象：答案写成“操作视图是操作员看到的界面，分析视图是分析人员看到的图表，历史视图是历史报表，细节视图是明细报表”。原因是没有抓数据仓库视图的组织维度，把“谁看”当成了“数据怎么组织”。解决：用“对象—粒度—时间—使用者”四列先定位，再补一句“四者可以在同一仓库中并存”。操作视图强调贴源和当前状态，分析视图强调主题和汇总口径，历史视图强调时间留痕，细节视图强调最小粒度和可追溯。答完定义后加一个例子：车辆通过事件在操作视图里是原始过车记录，在分析视图里是按路段按小时的通过量，在历史视图里是带日期的快照，在细节视图里是单条读卡器事件。这样四个概念就落地了。

5.2 Q-Q 图过度解读

现象：看到点不在对角线上，直接写“两个公司价格完全无关”或“一个公司一定比另一个公司贵”。原因：把 Q-Q 图当成了相关性散点图，忽略了它比较的是同分位数值。解决：先看主体是否贴线，再看尾部是否偏离，再看整体平移和斜率。主体贴线说明分布形状接近，整体在上方说明同分位价格更高，斜率大于 1 说明纵轴分布更分散，尾部偏离说明极端值区域不同。结论要写成“从图形看，两个分布在中位数附近接近，但上尾存在差异”，不要写成因果判断。原图没有给出具体点位时，用条件化句式，不要编造图外信息。

5.3 距离公式用错

现象：把余弦相似度直接当距离写，或者算欧氏距离时忘记开方，导致后续 KMeans 分组判断失真。原因：相似度和距离的方向相反，余弦相似度越大越近，余弦距离才越小越近；欧氏距离是平方和开根号，不是平方和本身。解决：答题第一行先写“采用欧氏距离，公式为……”，再列表保留差值平方和与最终距离两列；算完检查对称性和自身距离为零。如果题目要求余弦，写清d=1-cos，并说明零向量处理。距离定义一旦写清楚，即使后续小数点有出入，阅卷人也能看出思路是对的。

5.4 KMeans 中心写成样本点

现象：把簇中心写成文档 1 或文档 3 的向量，或者只写分组不写中心。原因：把“聚类中心”理解成“代表样本”，忽略了 KMeans 的中心是簇内均值。解决：先写分组，再写逐维平均，保留小数；补一句“中心更新公式为簇内样本均值，迭代停止条件为中心不再变化或达到最大迭代次数”。如果题目指定余弦距离，要提醒中心更新可能不是简单均值。卷面上把[2, 2.5, 3.5, 2, 0, 0, 0, 1]这种半整数写出来，比写“约等于文档 1”更可信。

5.5 车险方案只列特征不讲标签

现象：综合题里堆了一串“车型、品牌、年限、RFID、路段、时段”，但没有定义事故概率的标签、赔付金额的标签、观察窗口和验证方法。原因：把特征工程当成了完整方案，忽略了监督学习必须有标签和评估口径。解决：先定义标签，比如“观察期内是否出险”“观察期内赔付金额”“暴露期内的出险次数”；再定义特征时间窗，确保特征只使用出险前信息；再选模型，事故概率用逻辑回归或树模型，赔付金额用线性回归、随机森林回归或适合零膨胀的 Tweedie 回归；最后写验证，分类看 AUC 和校准，回归看 MAE/RMSE，并按时间外推切训练集和验证集。这样答，才像能落地的费率评估方案。

6. 车险费率评估方案：特征表、模型选型与一次可复现的验证

6.1 从 RFID 轨迹到风险特征：标签怎么定义

车险费率题的关键不是列多少特征，而是先把标签和时间窗定死。事故概率标签可以定义为“观察期内是否出险”，赔付金额标签用“观察期内已决赔付金额”，同时保留“出险次数”作为辅助目标。特征只能用出险前能拿到的信息：车辆类型、品牌、车龄、历史出险次数、历史赔付金额、驾驶员年龄与驾龄、路段暴露频次、夜间行驶比例、常驻区域与行驶范围。RFID 轨迹能衍生“单位时间经过路口数”“高风险路段暴露次数”“活动半径”等特征，但不要把它说成能直接读速度，除非读卡器时间差足够可靠。

6.2 赔付金额预测：线性回归、随机森林和验证指标

事故概率用逻辑回归做基线，解释性好；用随机森林或梯度提升树做对照，抓非线性。赔付金额有大量零值，直接线性回归容易被零值拉偏，常见做法是两步：先分类是否出险，再对出险样本回归金额；或者用 Tweedie 回归直接处理零膨胀。验证不要随机切分，按时间切训练集和验证集，分类看 AUC、KS 和校准曲线，回归看 MAE、RMSE，并单独看高赔付段误差。费率映射时把纯风险损失率、费用附加和风险因子分开写，不要把模型输出直接说成最终保费。

从那以后我每次拿到这种没有标准答案的方案题，都先写标签定义和验证口径，再写模型和特征。希望帮到你。

本文还有配套的精品资源，点击获取