当前位置：文档库 › 数据仓库面试题

数据仓库面试题

问题1： in exists的区别not in和not exists的区别？

是一个集合运算符.a in (a, c, d, s, d-｝这个运算中，前面是一个元素, 答案：

后面是一个集合，集合中的元素类型是和前面的元素一样的.而exists是一个存在

判断，如果后面的查询中有结果，则exists为真，否则为假。

not in和not exi sts如果查询语句使用了not in那么内外表都进行全表扫描，没有用到索引；而not extsts的子查询依然能用到表上的索引。所以无论那个表大，用not exists都比not in要快。

总之：

尽量使用not exist ,避免使用not in

not in会默认调用子查询

not exist会调用关联子查询

问题2：拉链表知道么？

答案：拉链表就是随着时间变迁产生历史数据。

拉链表的含义：就是记录历史。记录一个事务从开始一直到当前状态的所有变化信息。

问题3：数仓三层架构，具体每层作用？

答案：

1:数据访问层：主要是对非原始数据（数据库或者文本文件等存放数据的形式）的操作层，而不是指原始数据，也就是说，是对数据库的操作，而不是数据，具体为业务逻辑层或表示层提供数据服务。

2：业务逻辑层：主耍是针对具体的问题的操作，也可以理解成对数据层的操作，对数据业务逻辑处理，如果说数据层是积木，那逻辑层就是对这些积木的搭建。

3：界面层：主要表示WEB方式，也可以表示成WINFORM方式，WEB方式也可以表现成：aspx,如果逻辑层相当强大和完善，无论表现层如何定义和更改，逻辑层都能完善地提供服务。

问题4：为什么叫星型模型和雪花模型？

答案：

星型模型是：多维表的数据关系，它由一个事实表和一组维表组成，每个维作为主键

雪花模型是：当一个或多个维没有直接连接到事实表上，而是通过其他维表连接到事实表上的时候，其图解就像雪花模型连接在一起、

使用场景：雪花模型使得维度分析更加容易，比如“针对特定的广告主，有哪些客户或者公司是在线的？”星形模型用来做指标分析更适合，比如“给定的一个客户他们的收入是多少？”

问题5：星型模型和雪花模型各自的优点？

答案:

概念一一根据事实表和维度表的关系，可将常见的模型分为星型模型和雪花模型。

在数据仓库的建设中，一般都会围绕着这两种模型来设计表关系或者结构。那么什么是事实表和维度表呢？在维度建模中，将度量称为“事实”，将环境描述为“维度”。维度是用于分析事实所需要的多样环境。例如，在分析交易过程时，可以通过买家、卖家、商品和时间等维度描述交易发生的环境。事实则紧紧围绕着业务过程来设计，通过获取描述业务过程的度量来表达业务过程，包含了引用的维度和与业务过程有关的度量。例如订单作为交易行为的核心载体，直观反映了交易的状况。订单的流转会产生很多业务过程，而下单、支付和成功完结三个业务过程是整个订单的关键节点。获取这三个业务过程的笔数、金额以及转化率是日常数据统计分析的重点，事务事实表设计可以很好地满足这个需求。

当所有维表都直接连接到事实表上时，整个图解就像星星一样，故将该模型称为星型模型。

星型架构是一种非正规化的结构，多维数据集的每一个维度都直接与事实表相连接，不存在渐变维度，所以数据有一点的冗余。如在地域维度表中，存在国家A省B的城市C以及国家A省B的城市D两条记录，那么国家A和省B的信息

分别存储了两次，即存在冗余。

星型模型强调的是对维度进行预处理，将多个维度集合到一个事实表，形成一个宽

表。这也是我们在使用hive 时，经常会看到一些大宽表的原因，大宽表一般都是

事实表，包含了维度关联的主键和一些度量信息，而维度表则是事实表里面维度的

具体信息，使用时候一般通过join 来组合数据，相对来说对OLAP 的分析比较方便。

当有一个或多个维表没有直接连接到事实表上，而是通过其他维度表连接到事实表

上时，其图解就像多个雪花连接在一起，故称雪花模型。

雪花模型是对星型模型的扩展，它对星型模型的维表进一步层次化，原有的各维表

可能被扩展为小的事实表，形成一些局部的〃层次〃区域，这些被分解的表都连

接到主维度表而不是事实表。如将地域维表分解为国家，省份，城市等维表。它的

优点是：通过最大限度地减少数据存储量以及联合较小的维表来改善查询性能，去

除了数据冗余，但是在分析数据的时候，操作比较复杂，需要join 的表比较多所

以其性能并不一定比星型模型高。

息公司

分公司

代3t 处

时阍澧

蛀域懂

寸何道

荒门懂

产品U

精售款量

省份,

区别及优缺点

星型模型因为数据的冗余所以很多统计查询不需要做外部的连接，因此一般情况下效率比雪花模型要高。

星型模型不用考虑很多正规化的因素，设计与实现都比较简单。

雪花模型由于去除了冗余，有些统计就需要通过表的连接才能产生，所以效率不一定有星型模型高。

正规化也是一种比较复杂的过程，相应的数据库结构设计、数据的ETL 、以及后期的维护都要复杂一些。因此在冗余可以接受的前提下，实际运用中星型模型使用更多，也更有效率。 ecn«

理

道通谴城同门品七士新户

2・«，

<• -ft A an A 口

声

属性星型模型

数据总量多少

可读性容易差

表个数少多

查询速度快慢

冗余度高低

对实时表的情况增加宽度字段比较少，冗余底

扩展性差好

什么时候使用雪花模型？

Ralph Kimball,数据仓库大师，讲述了三个例子。对于三个例子，使用雪花模型不仅仅是可接受的，而且可能是一个成功设计的关键。

1、一个用户维度表且数据量较大。其中，8096的事实度量表是匿名访问者，仅包含少数详细信息。20%的是可靠的注册用户，且这些注册用户有较为详细的信息，与多个维度表中的数据相连。

2、例如一个金融产品维度表，且这些金融产品有银行类的，保险类等等区别。因此不同种类的产品有自己一系列的特殊属性，且这些属性并非是所有产品共享的。

3、多个企业共用的日历维度表。但每个企业的财政周期不同，节假日不同等等。在数据仓库的环境中用雪花模型，降低储存的空间，到了具体某个主题的数据集市再用星型模型。

雪花模型使得维度分析更加容易，比如“针对特定的广告主，有哪些客户或者公司是在线的？"，星形模型用来做指标分析更适合，比如“给定的一个客户他们的收入是多少？”

总结

通过上面的对比我们可以发现，在数据仓库建设中大多时候比较适合使用星型模型构建底层数据Hive表，通过大量的冗余来提升查询效率，星型模型对OLAP的分析引擎支持比较友好，这一点在Kylin中比较能体现。而雪花模型在关系型数据库中如MySQL, Oracle中非常常见，尤其像电商的数据库表。在数据仓库中雪花模型的应用场景比较少，但也不是没有，所以在具体设计的时候，可以考虑是不是能结合两者的优点参与设计，以此达到设计的最优化目的。

问题6：什么是缓慢变化维

答案：缓慢变化维

1.缓慢变化维在数据仓库中，有个概念叫缓慢变化维，经常简写为SCD,

2.缓慢变化维的提出是因为现实世界中，维度的属性并不是静态的，它会随时间的

流失发生缓慢的变化。这种随着时间变化的我们称之为缓慢变化维。

问题7：如果现在有一千张表从一个库到另外一个库的ODS层，你会怎么做？

答案：利用消息队列做数据订阅发布

问题8：<2019-04-12,取周几

答案：weekofyear

问题9：说说数仓分层？

答案:

层：鹏始数据层.制尔• I'［接加激原始H 志、。据.。据保持原权不做处刑 ODS DWDJ3结构和N 变。即始表保持•致.时ODS 丫敢如 T 位.KS

超过

极限位国的数据） …一, 一」. ‘ 以DWD 为盾础,进行转魔汇总. 层.为各冲统计报收4伐数楙

ADS 10：为什么要对数仓进行分层？

问题.、数据仓a 为。么要分公

1）把〃杂何麴蓟通化

■ 来复杂的f 多个购t 成，峥•的♦骤•比发债单、并1：

x 2） M 少币复开发

煌范数据分层,通过的中，」•教擀.能够诚少极大的市复计口.靖加次计/结果的“用件.

> 3）隔岗原始数据

不论是数据的界常还是数据的敏感性,使我实数据9统计数据帔网开.

问题11:说说你对数据仓库的理解？

答案：数据仓库是面向主题进行组织的，数据是集成的、不可更新的、随时间变化

的的。数据仓库经历了这样三个阶段：简单报表阶段、数据集市阶段、数据仓库阶

段。

问题12：数据库和数据仓库的区别？

一.数据仓标分乂

DWD(data warehouse detail) 明细敛据层

ODS(Operation Data Store I 原始蚁据层 ADS(ApplKaton Data Store) 故粼应用层

DWS(data -warehouse service)

翌名初g 星

数据库：是一种逻辑概念，用来存放数据的仓库，通过数据库软件来实现。数据库

由很多表组成，表是二维的，一张表里可以有很多字段。

数据仓库：是数据库概念的升级。从逻辑上理解，数据库和数据仓库没有区别，都

是通过数据库软件实现存放数据的地方，但是从数据量来讲数据仓库比数据库更庞

大些。数据仓库的主要作用用于数据挖掘、数据分析，辅助领导来做决策的。

区别：实际上二者之间讲的是OLTP和OLAP

操作型处理OLTP：它是针对具体业务在数据库联机的日常操作，通常对少数记录

进行查询、修改。分析型处理OLAP：一般针对某些主题的历史数据进行分析，支

持管理决策。

问题13：如何构建数据仓库？

答案：数据仓库模型的选择是灵活的，不局限与某种模型方法；数据仓库数据是灵活的，以实际需求场景为导向；数仓设计耍兼顾灵活性、可扩展性、要考虑技术可靠性和实现成本

1）调研：业务调研、需求调研、数据调研

2）划分主题域：通过业务调研、需求调研、数据调研最终确定主题域

3）构建总线矩阵、维度建模

总线矩阵：把总线架构列表形成矩阵形式，行表示业务处理过程，即事实，列表示

一致性的维度，在交叉点上打上标记表示该业务处理过程与该维度相关（交叉探查）

4）设计数仓分层架构

5）模型落地

6）数据治理

问题14：什么是数据中台？

答案：数据中台是通过数据技术，对海量数据进行采集、计算、存储、加工，同时统一标准和口径。数据中台把数据统一之后，会形成标准数据，再进行存储，形成大数据资产层，进而为客户提供高效服务。这些服务和企业的业务有较强关联性，是企业所独有且能复用的，他是企业业务和数据的积淀，其不仅能降低重复建设，减少烟囱式协助的成本，也是差异化竞争的优势所在。

数据中台是通过整合公司开发工具、打通全域数据、让数据持续为业务赋能，实现数据平台化、数据服务化和数据价值化。数据中台更加侧重于“复用”和“业务”。

问题15：数据中台、数据仓库、大数据平台、数据湖的关键区别是什么？

答案：

1）基础能力上的区别

数据平台：提供的是计算和存储能力

数据仓库：利用数据平台提供的计算和存储能力，在一套方法论的指导下建设的一整套的数据表

数据中台：包含了数据平台和数据仓库的所有内容，将其打包，并且以更加整合以及更加产品化的方式对外提供服务和价值

数据湖：一个存储企业各种各样原始数据的大型仓库，包括结构化和非结构化数据, 其中湖里的数据可供存取、处理、分析和传输

2）业务能力上的区别

数据平台：为业务提供数据主要方式是提供数据集

数据仓库：相对具体的功能概念是存储和管理一个或多个主题数据的集合，为业务提供服务的方式主要是分析报表

数据中台：企业级的逻辑概念，体现企业数据产生价值的能力，为业务提供服务的主要方式是数据API

数据湖：数据仓库的数据来源总的来说，数据中台距离业务更近，数据复用能力更强，能为业务提供速度更快的服务，数据中台在数据仓库和数据平台的基础上，将数据生产为一个个数据API服务，以更高效的方式提供给业务。数据中台可以建立在数据仓库和数据平台之上，是加速企业从数据到业务价值的过程的中间层。

问题16：大数据有哪些相关的系统？

答案：

数仓设计中心：按照主题域、业务过程，分层的设计方式，以维度建模作为基本理论依据，按照维度、度量设计模型，确保模型、字段有统一的命名规范

数据资产中心：梳理数据资产，基于数据血缘，数据的访问热度，做成本的治理

数据质量中心：通过丰富的稽查监控系统，对数据进行事后校验，确保问题数据第一时间被发现，避免下游的无效计算，分析数据的影响范围。

指标系统：管理指标的业务口径、计算逻辑和数据来源，通过流程化的方式，建立

从指标需求、指标开发、指标发布的全套协作流程

数据地图：提供元数据的快速索引，数据字典、数据血缘、数据特征信息的查询,

相当于元数据中心的门户。

问题17：如何建设数据中台？

答案：数据中台在企业落地实践时，结合技术、产品、数据、服务、运营等方面，

逐步开展相关工作

1）理现状：了解业务现状、数据现状、IT现状、现有的组织架构

2）定架构：确认业务架构、技术架构、应用架构、组织架构

3）建资产：建立贴近数据层、统一数仓层、标签数据层、应用数据层

4）用数据：对数据进行输出、应用

5）数据运营：持续运营、持续迭代

中台建设需耍有全员共识，由管理层从上往下推进，由技术和业务人员去执行和落

地是一个漫长的过程，在实施数据中台时，最困难的地方就是需要有人推动。

问题18：数据仓库最重要的是什么？

答案：个人认为是数据集成和数据质量。企业的数据通常存储在多个异构数据库中,

耍进行分析，必须对数据进行一致性整合，整合后才能对数据进行分析挖掘出潜在

的价值；数据质量必须有保障，数据质量不过关，别人怎么会使用你的数据？

问题19：概念模型、逻辑模型、物理模型分别介绍一下？

答案：

1）概念模型CDM：概念模型是最终用户对数据存储的看法，反映了最终用户综合性的信息需求，以数据类的方式描述企业级的数据需求

概念模型的内容包括重要的实体与实体之间的关系，在概念模型中不包含实体的属性，也不包含定义实体的主键

概念模型的目的是统一业务概念，作为业务人员和技术人员之间的沟通桥梁，确定不同实体之间的最高层次的关系

2）逻辑模型LDM：逻辑模型反映的是系统分析人员对数据存储的观点，是对概念模型的进一步分解和细化，逻辑模型是根据业务规则确定的，关于业务对象，业务对

象的数据项以及业务对象之间关系的基本蓝图

逻辑模型的内容包括所有的实体和关系，确定每个实体的属性，定义每个实体的主键，指定实体的外键，需要进行范式化处理

逻辑模型的目标是尽可能详细的描述数据，并不考虑物理上如何实现

3）物理模型PDM：物理模型是在逻辑模型的基础上，考虑各种具体的技术实现因素, 进行数据体系结构设计，真正实现数据在数据仓库中的存放

物理模型的内容包括确定所有的表和列，定义外键用确认表之间的关系，基于用户的需求可能要进行反范式化等内容

问题20： SCD常用的处理方式有哪些？

答案：slowly changing dimensions 缓慢变化维度

常见的缓慢变化维处理方式有三种：

1）直接覆盖：不记录历史数据，薪数据覆盖旧数据

2）新加一行数据（纵向扩展）：使用代理主键+生效失效时间或者是代理主键+生效失效标识（保存多条记录，直接新添一条记录，同时保留原有记录，并用单独的专用字段保存）

3）新加两个字段（横向扩展）：一个是previous, 一个是current,每次更新只更新这两个值，但是这样职能保留最近两次的变化（添加历史列，用不同的字段保存变化痕迹，因为只保存两次变化记录，使用与变化不超过两次的维度）

问题2L怎么理解元数据？

答案：狭义来讲就是：元数据就用来描述数据的数据

广义来讲，除了业务逻辑直接读写处理的业务数据，所有其他用来维护整个系统运转所需要的数据，都可以认为是元数据

在数仓中，元数据可以帮助数仓人员方便找到他们所关系的数据，是描述数仓内部数据的结构和建立方法的数据。按照用途可分为：技术元数据、业务员数据

技术元数据：存储关于数据仓库技术细节的数据，用于开发和管理数仓使用的数据业务无数据：从业务角度描述了数据仓库中的数据，提供介于使用者和实际系统之间的语义层，使不懂计算机技术的业务人员也能读懂数仓中的数据元数据管理功能

数据地图：以拓扑图的形式对数据系统的各类数据实体、数据处理过程元数据进行分层次的图形化展示，并通过不同层次的图形展现。元数据分析：血缘分析、影响分析、实体关联分析、实体差异分析、指标一致性分析。辅助应用优化：结合无数据分析功能，可以对数据系统的应用进行优化。辅助安全管理：采用合理的安全管理机制来保障系统的数据安全；对数据系统的数据访问和功能使用进行有效监控。基于无数据的开发管理：通过无数据管理系统规范日常开发的工作流程（包括任务调度系统）。

问题22：数仓如何确定主题域？

答案：主题是在较高层次上将数据进行综合、归类和分析利用的一个抽象概念，每

一个主题基本对应一个宏观的分析领域，在逻辑意义上，他是对企业中某一宏观分

析领域所涉及的分析对象。

而向主题的数据组织方式，就是在较高层次上对分析对象的数据的一个完整并且一

致的描述，能刻画各个分析对象所涉及的企业各项数据，以及数据之间的联系。

主题域通常是联系较为机密的数据主题的集合，可以根据业务的关注度，将这些数

据主题划分到不同的主题域（也就是说对某个主题进行分析后确定的主题的边界）。

关于主题域的划分，可以考虑几方面：

1、按照业务或者业务过程划分：比如一个靠销售广告位置的门户网站主题域可能会有广告域，客户域等，而广告域可能就会有广告的库存，销售分析、内部投放分析等主题；

2、根据需求方划分：比如需求方为财务部，就可以设定对应的财务主题域，而财务主题域里面可能就会有员工工资分析，投资回报比分析等主题；

3、按照功能或者应用划分：：比如微信中的朋友圈数据域、群聊数据域等，而朋

友圈数据域可能就会有用户动态信息主题、广告主题等;

4、按照部门划分：比如可能会有运营域、技术域等，运营域中可能会有工资支出

分析、活动宣传效果分析等主题；

总而言之，切入的出发点逻辑不一样，就可以存在不同的划分逻辑。在建设过程中可采用迭代方式，不纠结于一次完成所有主题的抽象，可先从明确定义的主题开始, 后续逐步归纳总结成自身行业的标准模型。

问题23：如何控制数据质量？

答案：

1）校验机制，每天对比数据量，比如count （*）,早发现，早修复

2）数据内容的比对，抽样对比

3）复盘、每月做一次全量

问题24：模型设计的思路？业务驱动？数据驱动？

答案：构建数据仓库有两种方式：自上而下、自下而上

Bill Innion推崇自上而下的方式，一个企业建立唯一的数据中心，数据是经过整合、清洗、去掉脏数据、标准的、能够提供统一的视图。要从整个企业的环境入手，建

立数据仓库，要做很全面的设计。偏数据驱动

Ralph Kimball推崇自下而上的方式，认为数据仓库应该按照实际的应用需求，架

子啊需要的数据，不需要的数据不要加载到数据仓库中。这种方式建设周期短，用

户能很快看到结果。偏业务驱动

问题25：为什么需要数据仓库建模？

答案：数仓建模需要按照一定的数据模型，对整个企业的数据进行采集，整理，提供跨部门、完全一致的报表数据。

合适的数据模型，对于大数据处理来讲，可以获得得更好的性能、成本、效率和质量。良好的模型可以帮助我们快速查询数据，减少不必要的数据冗余，提高用户的使用效率。

数据建模进行全方面的业务梳理，改进业务流程，消灭信息孤岛，更好的推进数仓系统的建设。

1.简单报表阶段：这个阶段，系统的主耍目标是解决一些日常的工作中业务人

员需要的报表，以及生成一些简单的能够帮助领导进行决策所需要的汇总数据。

大部分表现形式为数据库和前端报表工具。

2.数据集市阶段：这个阶段，主要是根据某个业务部门的需要，进行一定的数

据的采集，整理，按照业务人员的需要，进行多维报表的展现，能够提供对特定业务指导的数据，并且能够提供特定的领导决策数据。

3.数据仓库阶段：这个阶段，主要是按照一定的数据模型，对整个企业的数据

进行采集，整理，并且能够按照各个业务部门的需要，提供跨部门的，完全一致的业务报表数据，能够通过数据仓库生成对对业务具有指导性的数据，同时，为领导决策提供全面的数据支持。

通过数据仓库建设的发展阶段，其实可以看出，数据仓库的建设和数据集市的建设的重要区别就在于数据模型的支持。因此，数据模型的建设，对于我们数据仓库的建设，有着决定性的意义。

一般来说，数据模型的建设主要能够帮助我们解决以下的一些问题：

进行全面的业务梳理，改进业务流程。

1.在业务模型建设的阶段，能够帮助我们的企业或者是管理机关对本单位的业

务进行全面的梳理。

2.通过业务模型的建设，我们应该能够全面了解该单位的业务架构图和整个业

务的运行情况，能够将业务按照特定的规律进行分门别类和程序化。

3.同时，帮助我们进一步的改进业务的流程，提高业务效率，指导我们的业务

部门的生产。

建立全方位的数据视角，消灭信息孤岛和数据差异。

1.通过数据仓库的模型建设，能够为企业提供一个整体的数据视角，不再是各

个部门只是关注自己的数据。

2.而且通过模型的建设，勾勒出了部门之间内在的联系，帮助消灭各个部门之

间的信息孤岛的问题。

3.更为重要的是，通过数据模型的建设，能够保证整个企业的数据的一致性，

各个部门之间数据的差异将会得到有效解决。

解决业务的变动和数据仓库的灵活性。

通过数据模型的建设，能够很好的分离出底层技术的实现和上层业务的展现。当上层业务发生变化时，通过数据模型，底层的技术实现可以非常轻松的完成业务的变

动，从而达到整个数据仓库系统的灵活性。

数据仓库面试题

数据仓库面试题https://www.wendangku.net/doc/b019124552.html,work Information Technology Company.2020YEAR

数据仓库及BI工程师面试题集锦前言 1、介绍一下项目经验、项目中的角色。一、数据库 1、Oracle数据库，视图与表的区别普通视图与物化视图的区别物化视图的作用 i.视图与表的区别 1.1、视图是已经编译好的sql语句。而表不是 2.视图没有实际的物理记录。而表有。 3.表是内容，视图是窗口 4.表只用物理空间而视图不占用物理空间，视图只是逻辑概念的存在，表可以及时四对它进行修改，但视图只能有创建的语句来修改 ii.物化视图与视图区别 1.物化视图和视图差别非常大，不是几句能说清物化视图是自动刷新或者手动刷新的，视图不用刷新物化视图也可以直接upda te，但是不影响base table，对视图的update反映到base table 上物化视图主要用于远程数据访问，物化视图中的数据需要占用磁盘空间，视图中不保存数据。 2、Oracle数据库，有哪几类索引，分别有什么特点？ a) 1.单列索引与复合索引 b)一个索引可以由一个或多个列组成，用来创建索引的列被称为“索引列”。 c)单列索引是基于单列所创建的索引，复合索引是基于两列或者多列所创建的索引。 d) 2.唯一索引与非唯一索引 e)唯一索引是索引列值不能重复的索引，非唯一索引是索引列可以重复的索引。

f)无论是唯一索引还是非唯一索引，索引列都允许取NULL值。默认情况下，Oracle创建的索引是不唯一索引。 g) 3.B树索引 h)B树索引是按B树算法组织并存放索引数据的，所以B树索引主要依赖其组织并存放索引数据的算法来实现快速检索功能。 i) 4.位图索引 j)位图索引在多列查询时，可以对两个列上的位图进行AND和OR操作，达到更好的查询效果。 k) 5.函数索引 l)Oracle中不仅能够直接对表中的列创建索引，还可以对包含列的函数或表达式创建索引，这种索引称为“位图索引”。 3、Union与Union All的区别？ a)Union会对查询结果进行排序去重，效率比union all 低，union all只是两个查询集的合并操作。建议使用Union all，查询出来后再对数据进行去重操作。 4、对游标的理解？游标的分类使用方法游标是映射在结果集中一行数据的位置实体，有了游标，用户就可以访问结果集中的任何一条数据。游标分为静态游标和REF游标，静态游标分为显示游标和隐式游标，显示游标使用步骤是声明游标，打开游标，获取记录，关闭游标。所有的DML语句为隐式游标，可以从游标的属性获得sql语句的信息。REF游标是动态关联结果集的临时对象，使用步骤也是先要进行声明游标，然后打开游标，获取记录，关闭游标。 5、如何查找和删除表中的重复数据？给出方法或SQL。查询表中重复数据。 Select * from people where id in (Select id from people group by id having count(id)>1); Delete from people where id in(select id from people group by id having count(id)>1) and rowid not in (select min(rowid) from people group by id hacing count(id)>1);

数据仓库面试题

数据仓库及BI工程师面试题集锦前言 1、介绍一下项目经验、项目中的角色。一、数据库 1、Oracle数据库，视图与表的区别？普通视图与物化视图的区别？物化视图的作用？ i.视图与表的区别 1.1、视图是已经编译好的sql语句。而表不是 2.视图没有实际的物理记录。而表有。 3.表是内容，视图是窗口 4.表只用物理空间而视图不占用物理空间，视图只是逻辑概念的存在，表可以及时四对它进行修改，但视图只能有创建的语句来修改ii.物化视图与视图区别 1.物化视图和视图差别非常大，不是几句能说清物化视图是自动刷新或者手动刷新的，视图不用刷新物化视图也可以直接update，但是不影响b ase table，对视图的update反映到base table上物化视图主要用于远程数据访问，物化视图中的数据需要占用磁盘空间，视图中不保存数据。 2、Oracle数据库，有哪几类索引，分别有什么特点？ a) 1.单列索引与复合索引

一个索引可以由一个或多个列组成，用来创建索引的列被称为“索引列”。单列索引是基于单列所创建的索引，复合索引是基于两列或者多列所创建的索引。 2.唯一索引与非唯一索引唯一索引是索引列值不能重复的索引，非唯一索引是索引列可以重复的索引。无论是唯一索引还是非唯一索引，索引列都允许取NULL值。默认情况下，Oracle 创建的索引是不唯一索引。 3.B树索引 B树索引是按B树算法组织并存放索引数据的，所以B树索引主要依赖其组织并存放索引数据的算法来实现快速检索功能。 4.位图索引位图索引在多列查询时，可以对两个列上的位图进行AND和OR操作，达到更好的查询效果。 5.函数索引 Oracle中不仅能够直接对表中的列创建索引，还可以对包含列的函数或表达式创建索引，这种索引称为“位图索引”。 3、Union与Union All的区别？ a)Union会对查询结果进行排序去重，效率比union all 低，union all只是两个查询集的合并操作。建议使用Union all，查询出来后再对数据进行去重操作。 4、对游标的理解？游标的分类？使用方法？游标是映射在结果集中一行数据的位置实体，有了游标，用户就可以访问结果集中的任何一条数据。游标分为静态游标和REF游标，静态游标分为显示游标和隐式游标，

25题数据仓库架构师岗位常见面试问题含HR问题考察点及参考回答

数据仓库架构师岗位面试真题及解析含专业类面试问题和高频面试问题，共计25道一、描述一下您理解的“数据仓库”的定义，以及它在企业中的角色和重要性。考察点及参考回答：数据仓库架构师岗位面试问题一、考察点： 1. 理解能力：面试者是否能准确、全面地描述数据仓库的定义，以及它在企业中的角色和重要性。 2. 专业知识：面试者是否具备数据仓库相关的专业知识，包括数据仓库的基本概念、架构、技术等。 3. 行业知识：了解数据仓库在行业中的应用情况，以及数据仓库在企业中的实际应用场景。二、参考回答：数据仓库是一个面向主题的、集成的、稳定的、反映历史变化的数据集合，它在企业中扮演着至关重要的角色。首先，数据仓库是企业决策支持系统的数据源，它通过对业务数据的抽取、清洗和整合，为企业的决策制定提供数据支持。其次，数据仓库是企业业务运营的反映，它通过记录业务数据的变动，为企业提供实时的视图，帮助企业了解业务运营状况。最后，数据仓库是企业未来决策的依据，它通过对历史数据的分析，为企业未来的决策提供依据和建议。数据仓库的重要性不言而喻，它是企业决策的基础，也是企业业务运营的反映，更是企业未来决策的依据。希望以上回答对您有所帮助。二、请详细描述一次您在数据仓库项目中遇到的挑战，以及您如何解决这个挑战的。考察点及参考回答：一、考察点： 1. 应聘者对数据仓库架构师岗位的理解和经验。

2. 应聘者的问题解决能力，包括分析问题、提出解决方案和实施方案的能力。 3. 应聘者面对挑战时的应变能力和团队合作精神。二、参考回答：在我曾经负责的一个数据仓库项目中，我们面临了数据整合的挑战。项目涉及的数据源众多，数据质量参差不齐，且数据整合的逻辑复杂，需要我们进行大量的数据处理工作。面对这一挑战，我首先对各个数据源的数据质量进行了详细的分析，找出问题所在，并提出了针对性的数据清洗方案。同时，为了提高数据处理的效率，我们采用了新的数据处理技术，优化了数据处理流程。在实施过程中，我与团队成员密切协作，及时解决问题，确保项目进度不受影响。非常终，我们成功地完成了数据整合工作，为后续的数据分析提供了高质量的数据支持。这次经历不仅锻炼了我的问题解决能力，也让我深刻体会到了团队合作的重要性。以上就是我在数据仓库项目中遇到挑战并解决的过程。我相信，这次经历将对我今后在数据仓库架构师岗位的工作中起到积极的推动作用。三、能否谈谈您如何选择并设计数据仓库的数据模型？你有哪些主要考虑的因素？考察点及参考回答：数据仓库架构师如何选择并设计数据模型一、考察点： 1. 知识储备：面试者对数据仓库模型设计理论、方法论的理解程度。 2. 逻辑思维能力：面试者是否能根据业务需求，合理规划数据模型，并设计出符合业务逻辑的数据结构。 3. 创新性：面试者是否能提出新的数据模型设计思路，以应对复杂业务场景的需求。二、参考回答：在选择并设计数据仓库的数据模型时，我会主要考虑以下因素：

30题数据仓库工程师岗位常见面试问题含HR问题考察点及参考回答

数据仓库工程师岗位面试真题及解析含专业类面试问题和高频面试问题，共计30道一、请你简单介绍一下你的数据仓库背景和经验。考察点及参考回答：数据仓库工程师岗位面试问题一、考察点： 1. 技术能力：面试官主要会通过应聘者的数据仓库背景和经验，考察应聘者是否具备扎实的数据库理论基础，是否熟悉常用的数据库系统（如MySQL、Oracle、SQL Server等），是否熟悉数据仓库和数据挖掘等相关技术。 2. 实践经验：面试官会对接应聘者过去的工作经历，是否参与过大规模的数据仓库建设，是否具有处理复杂数据和有效查询的能力，以及是否具有解决实际问题的经验。 3. 沟通协作能力：除了技术能力外，面试官还会考察应聘者的沟通协作能力，包括语言表达、问题解决和团队合作等方面的能力。参考回答：您好，我拥有丰富的数据仓库相关背景和经验。我毕业于知名大学，拥有计算机科学硕士学位，专攻数据库系统方向。在过去的几年中，我曾在某知名互联网公司担任数据仓库工程师，负责搭建和维护公司内部的数据仓库。在此期间，我积累了丰富的实践经验。首先，我熟悉常用的数据库系统，如MySQL、Oracle、SQL Server等，能够根据业务需求选择合适的数据库系统。其次，我参与过大规模的数据仓库建设，能够处理复杂数据并实现有效查询。最后，我具有解决实际问题的经验，能够根据业务需求设计数据模型和优化查询性能。在团队合作方面，我善于沟通、表达清晰，注重团队协作，相信这些经验将使我更好地完成数据仓库工程师的工作。二、你如何理解数据仓库？你能描述一下数据仓库的主要功能吗？考察点及参考回答：数据仓库工程师岗位面试问题一、考察点： 1. 数据仓库的基本概念和功能：通过此问题，面试官将考察应聘者对数据仓库的

头条数据仓库面试题

头条数据仓库面试题一.选择题： 1.在数据挖掘的分析方法中，直接数据挖掘包括( ) * A 分类(正确答案) B 关联 C 估值(正确答案) D 预言(正确答案) 2.关于OLAP和OLTP的区别描述,不正确的是: ( ) [单选题] * A. OLAP主要是关于如何理解聚集的大量不同的数据.它与OLTP应用程序不同. B. 与OLAP应用程序不同,OLTP应用程序包含大量相对简单的事务. C. OLAP的特点在于事务量大,但事务内容比较简单且重复率高.(正确答案) D. OLAP是以数据仓库为基础的,但其最终数据来源与OLTP一样均来自底层的数据库系统,两者面对的用户是相同的 3. 数据仓库是随着时间变化的,下面的描述不正确的是 ( ) [单选题] * A. 数据仓库随时间的变化不断增加新的数据内容; B. 捕捉到的新数据会覆盖原来的快照; C. 数据仓库随事件变化不断删去旧的数据内容;(正确答案) D. 数据仓库中包含大量的综合数据,这些综合数据会随着时间的变化不断地进行重新综合. 4. 关于基本数据的元数据是指: ( ) [单选题] * A. 基本元数据与数据源,数据仓库,数据集市和应用程序等结构相关的信息; B. 基本元数据包括与企业相关的管理方面的数据和信息; C. 基本元数据包括日志文件和简历执行处理的时序调度信息; D. 基本元数据包括关于装载和更新处理,分析处理以及管理方面的信息.(正确答案) 5. OLAP技术的核心是: ( ) [单选题] *

A. 在线性; B. 对用户的快速响应; C. 互操作性. D. 多维分析;(正确答案) 6. 关于OLAP的特性,下面正确的是: ( ) * (1)快速性(正确答案) (2)可分析性(正确答案) (3)多维性(正确答案) (4)信息性(正确答案) (5)共享性(正确答案) 7. 关于OLAP和OLTP的区别描述,不正确的是: ( ) [单选题] * A. OLAP主要是关于如何理解聚集的大量不同的数据.它与OTAP应用程序不同. B. 与OLAP应用程序不同,OLTP应用程序包含大量相对简单的事务. C. OLAP的特点在于事务量大,但事务内容比较简单且重复率高.(正确答案) D. OLAP是以数据仓库为基础的,但其最终数据来源与OLTP一样均来自底层的数据库系统,两者面对的用户是相同的. 8.数据仓库的特点分别是 ()。 A.面向主题(正确答案) B,集成(正确答案) C.长期存储 D,反映历史变化(正确答案) E,相对稳定(正确答案) 9.元数据是描述数据仓库内数据的结构和建立方法的数据，它为访问数据仓库提供了一个信息目录，根据数据用途的不同可将数据仓库的元数据分为( ) *

30题数据仓库岗位常见面试问题含HR问题考察点及参考回答

数据仓库岗位面试真题及解析含专业类面试问题和高频面试问题，共计30道一、什么是数据仓库？请简述数据仓库的主要特点和应用场景。考察点及参考回答问题：什么是数据仓库？请简述数据仓库的主要特点和应用场景。考察点： 1. 数据仓库的基本概念和定义； 2. 数据仓库的主要特点； 3. 数据仓库的应用场景。参考回答：数据仓库是一个面向主题、集成、稳定和反映历史变化的数据集合，主要用于支持企业决策和查询分析。它主要具有以下几个特点： 1. 面向主题：数据仓库的数据是按照主题进行组织的，这些主题通常是企业高层管理者或数据分析人员关心的核心问题。 2. 集成：数据仓库中的数据来源于多个数据源，经过清洗和整合，形成一个集成环境中的数据。 3. 稳定：数据仓库中的数据通常不会经常更新，更多的是反映历史变化，为决策分析提供支持。 4. 反映历史变化：数据仓库包含了大量的历史数据，可以用于分析过去的状态和趋势，为决策提供有力支持。数据仓库的应用场景非常广泛，主要应用于企业决策分析、市场分析、用户行为分析等领域。例如，企业可以根据数据仓库中的销售数据和市场数据，制定更加精准的营销策略；市场分析人员可以通过数据仓库中的用户行为数据，分析市场趋势和用户需求，为市场决策提供支持。总之，数据仓库是一个非常重要的岗位，需要具备扎实的数据库技术、数据分析能力和业务理解能力。

二、数据仓库中的数据是如何组织的？数据模型有哪些类型？考察点及参考回答：数据仓库中的数据组织及数据模型一、考察点： 1. 数据仓库的知识储备：面试者对数据仓库的基本概念和原理的理解程度。 2. 数据库设计能力：面试者对数据模型的设计方法和原则的掌握程度。 3. 逻辑思维与分析能力：面试者对数据组织途径的选择和优化的思考能力。二、参考回答：数据仓库中的数据组织途径主要取决于数据模型的选择。在数据模型中，主要有以下几种类型： 1. 星型模型（Star Schema）：星型模型是一种常见的数据仓库模型，它通过将事实表与维度表连接来组织数据。星型模型的特点是维度表中的每个维度都包含了一组相关的数据，这些数据可以用来描述事实表中的数据。星型模型适用于描述性强、维度化程度高的数据集。 2. 雪花模型（Snowflake Schema）：雪花模型是一种更为复杂的数据仓库模型，它通过将多个维度表和事实表组合在一起，形成了一个类似于雪花形状的数据结构。雪花模型适用于需要处理复杂关联关系的数据集，能够更好地支持多维分析和复杂查询。 3. 维度建模（Dimensional Modeling）：维度建模是一种基于业务逻辑和用户需求的数据仓库设计方法，它通过将数据按照业务维度进行组织，使得用户能够方便地进行多维度查询和分析。这种模型适用于需要支持复杂查询和分析的数据集。在实际应用中，选择哪种数据模型取决于数据的特点和用户需求，需要根据实际情况进行综合考虑和分析。同时，一个好的数据模型还需要考虑数据的完整性、一致性和可维护性等因素。三、描述一下ETL（提取、转换、加载）过程的基本步骤。你如何确保这个过程的有效性和准确性？考察点及参考回答：ETL过程的基本步骤及如何确保其有效性和准确性一、考察点：

数据仓库面试题

数据仓库面试题问题1： in exists的区别not in和not exists的区别？是一个集合运算符.a in (a, c, d, s, d-｝这个运算中，前面是一个元素, 答案： n 后面是一个集合，集合中的元素类型是和前面的元素一样的.而exists是一个存在判断，如果后面的查询中有结果，则exists为真，否则为假。 not in和not exi sts如果查询语句使用了not in那么内外表都进行全表扫描，没有用到索引；而not extsts的子查询依然能用到表上的索引。所以无论那个表大，用not exists都比not in要快。总之：尽量使用not exist ,避免使用not in not in会默认调用子查询 not exist会调用关联子查询问题2：拉链表知道么？答案：拉链表就是随着时间变迁产生历史数据。拉链表的含义：就是记录历史。记录一个事务从开始一直到当前状态的所有变化信息。问题3：数仓三层架构，具体每层作用？

答案： 1:数据访问层：主要是对非原始数据（数据库或者文本文件等存放数据的形式）的操作层，而不是指原始数据，也就是说，是对数据库的操作，而不是数据，具体为业务逻辑层或表示层提供数据服务。 2：业务逻辑层：主耍是针对具体的问题的操作，也可以理解成对数据层的操作，对数据业务逻辑处理，如果说数据层是积木，那逻辑层就是对这些积木的搭建。 3：界面层：主要表示WEB方式，也可以表示成WINFORM方式，WEB方式也可以表现成：aspx,如果逻辑层相当强大和完善，无论表现层如何定义和更改，逻辑层都能完善地提供服务。问题4：为什么叫星型模型和雪花模型？答案：星型模型是：多维表的数据关系，它由一个事实表和一组维表组成，每个维作为主键雪花模型是：当一个或多个维没有直接连接到事实表上，而是通过其他维表连接到事实表上的时候，其图解就像雪花模型连接在一起、使用场景：雪花模型使得维度分析更加容易，比如“针对特定的广告主，有哪些客户或者公司是在线的？”星形模型用来做指标分析更适合，比如“给定的一个客户他们的收入是多少？” 问题5：星型模型和雪花模型各自的优点？答案:

数据仓库面试题

数据仓库面试题数据仓库是如今企业中不可或缺的一部分，它用于存储和管理大量的数据，并提供可靠且高效的分析和报告功能。为了在面试中更好地表现自己的能力，下面将介绍一些常见的数据仓库面试题及其详细解答。 1. 请解释什么是数据仓库？数据仓库是一个用于集成、存储、管理和分析大量结构化和非结构化数据的系统。它用于支持企业决策和战略规划，通过提供高质量、一致和实时的数据帮助企业更好地理解自身业务。 2. 数据仓库和数据库的区别是什么？数据库是一个用于组织和存储数据的系统，其主要目标是提供高效的数据访问。数据仓库则更加注重数据的集成和分析，它将来自不同数据源的数据进行整合，并提供决策支持的功能。 3. 数据仓库的架构有哪些主要组件？数据仓库的主要组件包括：数据提取（Extraction）、数据转换（Transformation）、数据加载（Loading）、数据存储（Storage）和数据查询（Querying）。 - 数据提取：从不同的数据源中抽取数据，并进行清洗和转换以确保数据的质量和一致性。

- 数据转换：将提取的数据进行预处理、清洗和转换，以适应数据仓库的结构和标准。 - 数据加载：将转换后的数据加载到数据仓库中，以便后续的分析和报告。 - 数据存储：数据仓库通常使用多维数据库或列式数据库进行数据存储和管理。 - 数据查询：用户可以通过查询语言或报告工具对数据仓库中的数据进行查询和分析。 4. 请解释维度和事实表在数据仓库中的作用。维度是数据仓库中用于描述业务过程的属性，例如时间、地点、产品等。维度表包含一个主键和与之关联的属性列。事实表包含了与业务过程相关的事实数据，例如销售额、数量等，并与维度表通过主键进行关联。维度表和事实表共同构成了数据仓库中的星型或雪花模式结构。维度表提供了多维数据的上下文信息，而事实表包含了与业务过程相关的度量数据，通过联结维度表和事实表，可以进行复杂的多维分析和报表生成。 5. 数据仓库中的ETL过程是什么？ ETL是“提取、转化和加载（Extract, Transform, Load）”的缩写，是数据仓库中非常重要的一环。

数据仓库、商业智能相关面试题(带答案)

1商务智能 1.1数据仓库 1.1.1数据仓库的4大特点(特征)？面向主题的，集成的，相对稳定的，反映历史变化的。 1.1.2数据仓库的四个层次体系结构？ 1. 数据源是数据仓库系统的基础，是整个系统的数据源泉。通常包括企业内部信息和外部信息。内部信息包括存放于RDBMS 中的各种业务处理数据和各类文档数据。外部信息包括各类法律法规、市场信息和竞争对手的信息等等； 2. 数据的存储与管理是整个数据仓库系统的核心。数据仓库的真正关键是数据的存储和管理。数据仓库的组织管理方式决定了它有别于传统数据库，同时也决定了其对外部数据的表现形式。要决定采用什么产品和技术来建立数据仓库的核心，则需要从数据仓库的技术特点着手分析。针对现有各业务系统的数据，进行抽取、清理，并有效集成，按照主题进行组织。数据仓库按照数据的覆盖范围可以分为企业级数据仓库和部门级数据仓库(通常称为数据集市) 3. OLAP 服务器对分析需要的数据进行有效集成，按多维模型予以组织，以便进行多角度、多层次的分析，并发现趋势。其具体实现可以分为：ROLAP(关系型在线分析处理)、MOLAP (多维在线分析处理)和HOLAP (混合型线上分析处理)。ROLAP 基本数据和聚合数据均存放在RDBMS 之中；MOLAP 基本数据和聚合数据均存放于多维数据库中； HOLAP 基本数据存放于RDBMS 之中，聚合数据存放于多维数据库中。 4. 前端工具主要包括各种报表工具、查询工具、数据分析工具、数据挖掘工具以数据挖掘及各种基于数据仓库或者数据集市的应用开辟工具。其中数据分析工具主要针对OLAP 服务器，报表工具、数据挖掘工具主要针对数据仓库。 1.1.3描述一下联机分析处理OLAP？(维的概念，基本多维操作，层次结构，与OLTP的区别) OLAP (联机分析处理On-Line Analytical Processing)也叫多维DBMS。 OLAP 是数据仓库系统的主要应用，支持复杂的分析操作，侧重决策支持，并且提供直

数据仓库工程师岗位常见面试问题部分附面试技巧自我介绍

数据仓库工程师岗位常见面试问题（精选），附通用技巧，面试自我介绍范文第一部分:常见面试问题（精选）你20个数据仓库工程师岗位面试问题： 1. 请你简单介绍一下你的数据仓库背景和经验。 2. 你如何理解数据仓库？你能描述一下数据仓库的主要功能吗？ 3. 你有没有使用过某种特定的数据仓库工具？请谈谈你对它的使用体验。 4. 你如何处理大量数据？你有哪些优化策略？ 5. 你如何处理数据质量问题？你有哪些应对策略？ 6. 你如何进行数据清洗？你能举一个你曾经处理过的数据清洗的例子吗？ 7. 你如何进行数据整合？你有过哪些成功的案例？ 8. 你在数据仓库项目中遇到过哪些挑战？你是如何解决的？ 9. 你如何进行数据分析和数据挖掘？你有过哪些成功的案例？ 10. 你在数据仓库项目中如何保证数据的安全性和隐私性？ 11. 你是如何进行数据备份和恢复的？你有过哪些经验？ 12. 你如何进行数据性能优化？你有过哪些成功的案例？ 13. 你在数据仓库项目中如何进行团队协作？你有过哪些成功的案例？

14. 你对数据仓库的未来发展趋势有什么看法？ 15. 你是如何处理复杂的数据查询和报表制作的？ 16. 你如何确保数据仓库的稳定性？你有过哪些成功的案例？ 17. 你是否有使用SQL进行数据处理的经验？请分享一些你的SQL技巧。 18. 你是如何进行数据挖掘的，你是如何处理一些异常数据的？ 19. 在一个大型项目中，你是如何保证数据的一致性和准确性的？ 20. 你是如何保证你的工作成果能够及时被应用和反馈的？希望这些问题对你有所帮助！第二部分：面试通用技巧（必看）面试是求职过程中的重要环节，它不仅是求职者展示自己能力、经验和潜力的机会，也是面试官了解求职者是否符合职位要求的关键。因此，掌握一些通用的面试技巧对于求职者来说至关重要。以下是一些建议和技巧，帮助你在面试中脱颖而出。充分准备在面试前，你需要对公司、职位以及行业进行充分的了解。这包括公司的基本信息、企业文化、产品或服务等；职位的职责、要求和发展空间；以及行业的发展趋势、竞争态势等。这样可以在面试中展现出你对公司的热爱和对职位的兴趣，同时也有助于你更好地回答面试官的问题。自我介绍面试开始时，面试官通常会要求你进行自我介绍。这是一个展示自己

数据仓库工程师面试题(笔试1)

数据仓库工程师面试题姓名：____张小核______ 开始时间：_____:______ 结束时间：_____:_____ 一、数据库 1.使用过哪些数据库？试说出它们的异同。答：使用过SQL SERVER和ORACLE 它们的区别是：1.sql server 是中小型企业用的，oracle是中大型企业用的；oracle跨平台能在linux上运行，sqlserver只能在windows运行，而linux平台比windows平台稳定，所以安全性高；sqlserver操作简便，oracle比较复杂；oracle能把数据存在不同的硬盘上sqlserver不能；oracle能够回滚表空间查询sqlserver不能；oracle支持label security，sqlserver不能；oracle扩展性比较强。 2.事务有多个性质，其中不包括（ B ） A．一致性 B.唯一性 C．原子性 D.隔离性 3.CHAR类型和V ARCHAR类型有何区别？答：char的长度是固定的，最长2000个字符，当输入的字符小于你定义的字符数目时，它会自动补空值，所以它占用空间较大但是效率高；varchar的长度是可变的，用它可以节省存储空间，但是效率没有char高。 4.视图与表有何区别？表是实际存在的，视图是一个或多个表结果的映射，实际不存在，所以视图不占用实际的物理空间，但删除时不影响数据，而表影响 5.数据库中常见的约束有哪些？答：1.非空值约束，是not null；2。唯一性约束，不能重复造成冗余；3.检查约束，能够保证数据完整性；还有主键不能为空，应该是唯一的，字段属性要不能再分 6.有一个空表t_empty，结构是： create table t_empty ( a integer ) 请问以下各语句的输出分别是什么？ (A) select sum(a) from t_empty 什么都不输出 (B) select NullToZero(a) from t_empty *假定NullToZero是一个将Null值转成0的标函数 (C) select count(*) from t_empty 7.有下列两表 Table1 Col1 INT

25道第四范式数据仓库工程师岗位常见面试问题含HR常问问题考察点及参考回答

第四范式数据仓库工程师岗位面试真题及解析含专业类面试问题和高频面试问题，共计25道一、请简要介绍一下您的教育背景和工作经历。考察点： 1. 应聘者的教育背景和工作经历，了解其专业技能和工作经验。 2. 应聘者的自我表达能力，观察其沟通能力和自我评价。 3. 应聘者对过往经历的理解和总结，了解其思考问题和解决问题的能力。面试参考回答话术：尊敬的面试官，您好！非常感谢您给我这个机会来介绍自己的教育背景和工作经历。我本科毕业于 XX 大学计算机科学与技术专业，在大学期间，我通过课堂学习和实践项目，掌握了坚实的计算机基础知识。我还积极参加课外活动，担任了学生会干部，锻炼了我的团队协作和沟通能力。毕业后，我进入了 XX 公司担任软件开发工程师。在这份工作中，我负责开发和维护公司的一款在线教育产品。通过这个项目，我积累了丰富的软件开发经验，了解了软件开发的全流程，提高了自己的编程能力和问题解决能力。此外，我还参与了公司的多个项目，涵盖了移动端应用开发、大数据处理等领域，让我对不同技术领域有了更全面的了解。后来，我跳槽到 XX 公司，担任数据仓库工程师。在这个职位上，我负责设计和维护公司的数据仓库，为业务部门提供数据支持。通过这个工作，我深入了解了数据仓库的原理和架构，掌握了 ETL 开发、数据建模、SQL 优化等技术。此外，我还参与了公司的大数据平台建设，学习了大数据技术，如 Hadoop、Spark 等，并将其应用到实际项目中。总的来说，我的教育背景和工作经历使我具备了扎实的计算机基础知识和丰富的

工作经验。我相信，这些经历将有助于我更好地胜任这个数据仓库工程师职位，为贵公司做出贡献。再次感谢您给我这个机会，期待加入贵公司的团队。二、您是如何理解数据仓库工程师这个职位的？数据仓库工程师是负责设计、构建和维护数据仓库的专业人员。他们需要具备丰富的数据仓库架构和数据建模知识，以及一定的编程和数据库管理技能。数据仓库工程师的主要职责包括： 1. 数据仓库架构设计：数据仓库工程师需要根据企业需求，设计合适的数据仓库架构，包括数据源、数据存储、数据处理和数据展示等环节。他们需要考虑数据仓库的可靠性、可扩展性和可维护性等因素，以确保数据仓库能够满足企业不断变化的需求。 2. 数据建模和数据处理：数据仓库工程师需要对原始数据进行清洗、转换和汇总等处理，以满足数据仓库的需求。他们需要熟练掌握数据建模和数据处理技术，以确保数据的准确性、完整性和一致性。 3. 数据仓库维护和管理：数据仓库工程师需要负责数据仓库的日常维护和管理，包括数据备份、数据恢复、性能优化和故障排查等工作。他们需要具备一定的编程和数据库管理技能，以确保数据仓库的稳定运行。面试参考回答话术：数据仓库工程师是负责设计、构建和维护数据仓库的专业人员，需要具备丰富的数据仓库架构和数据建模知识，以及一定的编程和数据库管理技能。数据仓库工程师的主要职责包括： 1. 数据仓库架构设计：数据仓库工程师需要根据企业需求，设计合适的数据仓库架构，包括数据源、数据存储、数据处理和数据展示等环节。他们需要考虑数据仓库的可靠性、可扩展性和可维护性等因素，以确保数据仓库能够满足企业不断变化的需求。

数据仓库面试题及答案

数据仓库面试题及答案数据仓库面试题及答案 Student(S#,Sname,Sage,Sse-x) 学生表 S#：学号；Sname：学生姓名；Sage：学生年龄；Sse-x：学生性别 Course(C#,Cname,T#) 课程表C#,课程编号；Cname：课程名字；T#：教师编号 SC(S#,C#,score) 成绩表 S#：学号；C#,课程编号；score：成绩Teacher(T#,Tname) 教师表 T#：教师编号； Tname：教师名字问题： 1、查询“001”课程比“002”课程成绩高的所有学生的学号； select a.S# from (select s#,score from SC where C#='001') a,(select s#,score from SC where C#='002') b where a.score>b.score and a.s#=b.s#; 2、查询平均成绩大于60分的同学的学号和平均成绩； select S#,avg(score) from sc group by S# having avg(score) >60; 3、查询所有同学的学号、姓名、选课数、总成绩； select Student.S#,Student.Sname,count(SC.C#),sum(score) from Student left Outer join SC on Student.S#=SC.S# group by Student.S#,Sname 4、查询姓“李”的老师的个数； select count(distinct(Tname)) from Teacher where Tname like '李%'; 5、查询没学过“叶平”老师课的同学的学号、姓名； select Student.S#,Student.Sname from Student

数据仓库团队面试题-答案

目录 1简答题 (1) 1.1SQL Server与Oracle、DB2三种数据库比较 (1) 1.2以下三种数据库语言都包含哪些细项 (2) 1.3UNION 和UNION ALL的区别 (2) 2实例题................................................................................................................... 错误！未定义书签。3逻辑推理题 (5) 答案............................................................................................................................... 错误！未定义书签。1简答题 1.1 SQL Server与Oracle、DB2三种数据库比较 SQL Server与Oracle、DB2三种数据库进行比较,有何区别？请从开放性，可伸缩性,并行性，安全性三个方面叙述。答案：开放性 SQL Server 只能在Windows 上运行，没有丝毫的开放性，操作系统的系统的稳定对数据库是十分重要的。Windows9X系列产品是偏重于桌面应用，NT server只适合中小型企业。而且Windows平台的可靠性，安全性和伸缩性是非常有限的。它不象Unix那样久经考验，尤其是在处理大数据量的关键业务时。 Oracle 能在所有主流平台上运行（包括 Windows）。完全支持所有的工业标准。采用完全开放策略。可以使客户选择最适合的解决方案。对开发商全力支持。 DBz 能在所有主流平台上运行（包括Windows）。最适于海量数据。DB2在企业级的应用最为广泛,在全球的500家最大的企业中,几乎85%以上用DB2数据库服务器,而国内到97年约占5%。可伸缩性,并行性 SQL Server 并行实施和共存模型并不成熟。很难处理日益增多的用户数和数据卷。伸缩性有限。Oracle平行服务器通过使一组结点共享同一簇中的工作来扩展Window NT的能力,提供高可用性和高伸缩性的簇的解决方案。如果WindowsNT不能满足需要, 用户可以把数据库移到UNIX中。 DB2 DB2具有很好的并行性。DB2把数据库管理扩充到了并行的、多节点的环境。数据库分区是数据库的一部分，包含自己的数据、索引、配置文件、和事务日志。数据库分区有时被称为节点或数据库节点。

数据仓库项目管理面试题

数据仓库项目管理面试题项目管理 1.企业经历过两次失败的数据仓库建设，现在是第三次，人们普遍认为这次也将会失败。项目经理应该作些什么来消除人们对数据仓库的消极看法? 2.企业的业务系统方，即OLTP方的工作人员对数据仓库方不配合，比如对数据仓库的源数据申请置之不理。项目经理应该如何来应付这种情况? 3.企业的管理层变动较频繁，支持数据仓库的企业领导可能会离开，面对这种情况，项目经理应该如何应付? 4.企业雇佣一家咨询公司来实现一个数据仓库，但是企业的CIO认为数据仓库的建设是对其职位和权威的挑战，不断给咨询人员和项目设置障碍。咨询人员应该如何来应付这种情况? 5.企业管理层希望试验系统(原型系统)具有和生产系统相同级别的数据质量。项目经理应该如何做，才能让管理层相信，试验系统不必和生产系统具有相同级别的数据质量? 6.用户部门领导对共享数据不配合或者只在表面上配合。他们希望能够控制谁能查看什么数据以及什么时候可以查看。数据仓库团队怎样才能让部门领导把数据的访问权共享出来? 7.建立好的数据几乎满足所有的成功标准。但是企业的高级管理层对数据仓库的反应很冷淡。数据仓库团队应该如何应付这种情况? 项目需求 1.数据仓库项目已经开发了6个月的时间，在项目的开发过程中，数据仓库团队发现业务源系统正在被重写，业务系统在不断的变化，一个新

的系统开发出来预计只有8个月的寿命。数据仓库团队应该如何应付这种情况? 2.源系统和数据仓库系统同期建设。但是源系统在不断的变化中，而且源系统的开发团队没有将变化告知数据仓库团队，数据仓库团队在测试过程中出现故障才发现这些变化。这种没有告知有可能是故意的。数据仓库团队应该如何来应付这种情况? 3.数据仓库项目开始时，企业制定了一套有效的数据仓库目标。但是，随着时间的流逝，企业又制定了一些决策，采取了一些行动，这些决策和行动与最初的目标背道而驰。数据仓库团队应该如何应付这种情况? 4.数据仓库项目进展十分顺利，但是根本没有办法判断项目将来是否能够成功。要想为数据仓库确立一个完全合适的目标是不可能的。企业应该如何来面对这种状况? 5.数据仓库团队用极少的精力来清洗数据，研制了一个可以使用的数据库设计，作为一个数据仓库的测试原型。管理层对原型很满意，要将原型向所有的用户去展示。数据仓库团队要如何做才能让管理层相信这个原型不是为生产准备的? 6.数据仓库经理已经实现了3个数据集市，但是还没有能让管理层相信这些努力是成功的。数据仓库经理应该作些什么来证明数据集市是成功的? 数据仓库成本论证与预算 1.企业有"禁止解雇"政策，管理层对工作效率的提高和成本的节约不是很关心。项目经理该如何对数据仓库及其相关工具的成本进行论证? 2.企业高级管理层成立了一个委员会，希望委员会能论证用于数据仓库及其工具的任何支出都是合理的。但是委员会只能从软收益来论证，企业该如何来处理这种情况?

hive数据仓面试题

hive数据仓面试题 1. 请解释一下Hive是什么？ Hive是一个基于Hadoop的数据仓库工具，它提供了类似于SQL的查询语言（HiveQL）来处理存储在Hadoop分布式文件系统（HDFS）中的大型数据集。Hive的设计目标是让那些熟悉SQL的用户能够轻松地使用Hadoop进行数据处理和分析。 2. Hive的主要组件有哪些？ Hive的主要组件包括： - Hive客户端：用户通过Hive客户端与Hive进行交互，提交查询和操作。 - Hive元数据存储：Hive将元数据存储在关系型数据库中，如MySQL、PostgreSQL等。元数据包括表结构、分区信息等。 - Hadoop集群：Hive将数据存储在Hadoop分布式文件系统（HDFS）中，并通过MapReduce进行数据处理。 - Compiler：负责将HiveQL查询语句编译成底层的MapReduce任务。

- Executor：执行编译后的MapReduce任务，并将结果返回给客户端。 3. Hive如何实现数据仓库的功能？ Hive通过以下途径实现数据仓库的功能： - 数据抽象：Hive将底层的HDFS文件抽象为表，用户可以像操作关系型数据库一样操作这些表。 - 数据集成：Hive支持多种数据源，如关系型数据库、文本文件、日志文件等，可以将不同来源的数据集成到一个统一的数据仓库中。 - 数据转换：Hive支持用户自定义函数（UDF），可以对数据进行清洗、转换等操作，以满足不同的分析需求。 - 数据分析：Hive提供了类似于SQL的查询语言（HiveQL），用户可以使用SQL语句进行数据分析，如SELECT、JOIN、GROUP BY等。- 数据可视化：Hive可以将分析结果导出到其他工具，如Excel、Tableau等，进行数据可视化展示。 4. Hive如何处理大规模数据？

数据仓库架构师面试题

数据仓库（商业智能）/ETL架构师面试题 1. What is a logical data mapping and what does it mean to the ETL team? 什么是逻辑数据映射？它对ETL项目组的作用是什么？答：逻辑数据映射（Logical Data Map）用来描述源系统的数据定义、目标数据仓库的模型以及将源系统的数据转换到数据仓库中需要做操作和处理方式的说明文档，通常以表格或Excel的格式保存如下的信息：目标表名：目标列名：目标表类型：注明是事实表、维度表或支架维度表。 SCD类型：对于维度表而言。源数据库名：源数据库的实例名，或者连接字符串。源表名：源列名：转换方法：需要对源数据做的操作，如Sum(amount)等。逻辑数据映射应该贯穿数据迁移项目的始终，在其中说明了数据迁移中的ETL 策略。在进行物理数据映射前进行逻辑数据映射对ETL项目组是重要的，它起着元数据的作用。项目中最好选择能生成逻辑数据映射的数据迁移工具。 2. What are the primary goals of the data discovery phase of the data warehouse project?

在数据仓库项目中，数据探索阶段的主要目的是什么？答：在逻辑数据映射进行之前，需要首先对所有的源系统进行分析。对源系统的分析通常包括两个阶段，一个是数据探索阶段（Data Discovery Phase），另一个是异常数据检测阶段。数据探索阶段包括以下内容： 1．收集所有的源系统的文档、数据字典等内容。 2．收集源系统的使用情况，如谁在用、每天多少人用、占多少存储空间等内容。 3．判断出数据的起始来源（System-of-Record）。 4．通过数据概况（Data Profiling）来对源系统的数据关系进行分析。数据探索阶段的主要目的是理解源系统的情况，为后续的数据建模和逻辑数据映射打下坚实的基础。 3. How is the system-of-record determined? 如何确定起始来源数据？答：这个问题的关键是理解什么是System-of-Record。System-of-Record和数据仓库领域内的其他很多概念一样，不同的人对它有不同的定义。在Kimball的体系中，System-of-Record是指最初产生数据的地方，即数据的起始来源。在较大的

仓库数据员面试题目及答案

仓库数据员面试题目及答案一、问题描述在仓库管理中，数据员扮演着非常重要的角色。他们负责记录、整理和维护仓库的相关数据，为仓库管理人员提供准确、及时的信息支持。为了招聘合适的仓库数据员，以下是一些常见的面试题目及答案。二、面试题目及答案 1. 数据员在仓库管理中扮演什么样的角色？答：数据员在仓库管理中负责记录、整理和维护仓库的相关数据。他们需要准确地记录入库和出库的货物数量、规格、质量等信息，并及时更新仓库系统。数据员的工作对于仓库管理人员的决策具有重要的支持作用。 2. 请描述你在以往工作中处理大量数据的经验。答：我之前在一家大型仓库工作过，负责每天处理大量的入库和出库数据。我熟练掌握Excel等办公软件，能够快速、准确地录入和整理数据。同时，我也能够根据需要生成各种数据报表和分析图表，为仓库管理人员提供决策支持。 3. 数据员在处理数据时需要注意哪些方面？答：在处理数据时，数据员需要具备高度的准确性和细致性。他们不能随意修改数据，必须遵循统一的记录规范和操作流程。此外，数据员需要保证数据的安全性，避免数据泄露或损坏。

4. 仓库管理中的数据分类有哪些？答：仓库管理中的数据可以按照不同的角度进行分类，主要包括：- 入库数据：包括货物的名称、数量、规格、质量等信息。 - 出库数据：包括货物的出库时间、目的地、运输方式等信息。 - 库存数据：包括仓库中各类货物的当前库存量。 - 货物追踪数据：包括货物从进入仓库到出库的整个流程记录。 - 损耗数据：包括货物在仓库过程中的损耗情况统计等。 5. 如何处理数据中的错误或异常情况？答：当发现数据中存在错误或异常情况时，数据员应及时通知仓库管理人员，并协调相关人员进行核实和修正。此外，数据员需要保留原始数据和修改记录，以便数据审查和追溯。 6. 你如何保证数据的安全和机密性？答：保证数据安全和机密性是数据员的重要职责。我会严格遵守公司的数据保密规定，确保数据的存储和传输过程中没有泄露风险。我会采取适当的措施备份数据，以防止数据丢失或损坏。 7. 如何应对高压力的工作环境？答：仓库数据员的工作常常需要在高压力的环境下完成。我会保持良好的工作态度，合理安排工作时间，并与团队成员紧密协作，共同