第 1 題
某醫學中心收集 5,000 筆住院病人資料，擬用於訓練院內再入院風險預測模型，但發現「空腹血糖」欄位約 12% 為缺失，且缺失情況與受試者的就診科別、住院天數呈現明顯相關。資料工程師需在不嚴重扭曲原始分布與不丟失過多樣本的前提下完成缺失值處理。下列何項策略最為合理？
(A) 直接使用整體平均值填補所有缺失值，流程最單純且不改變整欄平均數。
(B) 採多重插補（MICE）或 KNN 插補，利用其他相關欄位估算缺失值，保留資料變異結構。
(C) 以 0 填補所有缺失值，方便後續樹模型自動切點，且避免統計量重計。
(D) 只要該筆資料有任一欄位缺失即整筆刪除，以確保訓練集無任何缺漏。
深度導讀解析
正確答案：B
核心考點：缺失值多變量插補
理論拆解：缺失與其他欄位相關時屬 MAR 類型，MICE 或 KNN 插補能利用相關欄位重建合理估計，保留資料變異結構。單點統計量填補會壓縮變異度並扭曲與其他特徵的關聯。這就像是一位偵探在修補一張破損的地圖，他不會用一塊顏色單調的補丁（平均值）強行塞入每個破洞，而是觀察破損處周遭的街景與地形規律（相關欄位），據此推敲並繪製出最接近原貌的細節，確保地圖的整體結構不因修補而失真。
選項坑洞掃描：A 平均值填補會低估變異與相關性。C 用 0 會扭曲原本的血糖分布。D 整筆刪除損失 12% 樣本且可能引入選擇偏誤。
破題反射字：缺失與他欄相關 → MICE/KNN 插補 ／ 平均值填補 → 變異壓縮
第 2 題
某醫院對內部 20,000 筆病人血糖資料做探索性分析，發現分布明顯右偏，少數極值來自重症加護病房的急症紀錄。資料科學家希望識別「真正異常」同時避免誤殺臨床上合理的高血糖值。下列離群值處理策略何者最合適？
(A) 統一假設資料常態分布，以 3σ 規則標示離群值並一次刪除，處理效率最高。
(B) 以 Z-score 絕對值大於 3 為離群值標記並刪除，不需搭配臨床背景確認。
(C) 以 IQR 法標記超出 Q1-1.5×IQR 或 Q3+1.5×IQR 的值，搭配醫師臨床審查再決定處理。
(D) 直接以每欄前後各 5% 做 Trimming 截斷，所有分布皆適用這種方法。
深度導讀解析
正確答案：C
核心考點：IQR 與臨床審查併用
理論拆解：資料右偏時 Z-score 與 3σ 都失準，IQR 以四分位距判斷離群對非常態分布較穩健。臨床資料「數值離群」不等於「資料錯誤」，必須結合專家審查決定保留或處理。這就像是醫生在評估病人的身高與體重，我們不能因為某位籃球員長得特別高就認定他是生病（資料錯誤）並將其剔除；使用 IQR 就像是拿出一把更具彈性的量尺，先標記出極端數值，再請醫師結合臨床經驗進行二審，避免誤殺了具備實踐意義的真實資料。
選項坑洞掃描：A 假設常態且一次刪除，違反右偏現實。B Z-score 在偏態分布失準。D Trimming 固定比例忽略臨床意義。
破題反射字：非常態離群值 → IQR ／ 臨床資料 → 專家審查
第 3 題
某大型電商正在規劃資料基礎建設，需同時儲存三類資料：點擊流日誌（JSON、每秒萬筆寫入）、商品圖片與宣傳影片（物件檔）、訂單與會員主檔（結構化）。資料架構師要挑一個最能涵蓋異質原始資料的儲存層，供後續 ML 與 BI (商業智慧)使用。下列敘述何者最正確？
(A) Data Lake 可同時存放結構化、半結構化與非結構化原始資料，以 Schema-on-Read 彈性支援後續分析。
(B) Data Warehouse 才是首選，其 Schema-on-Write 可強制清理所有資料後再載入，適合處理各類型資料。
(C) 以 OLTP 交易型資料庫存放所有資料即可，因為 OLTP 支援高併發寫入，適合影音與日誌混合場景。
(D) 純 NoSQL 即可滿足所有需求，不需規劃湖倉或結構化倉儲架構，因 NoSQL 無格式限制。
深度導讀解析
正確答案：A
核心考點：Data Lake 定位
理論拆解：Data Lake 採 Schema-on-Read，可原樣儲存結構化、半結構化與非結構化原始資料，再於分析時定義結構。面對多型態且格式未定的異質資料，這是最具彈性的儲存策略。這就像是大型圖書館的收貨碼頭，不論進來的是書籍、照片還是錄影帶，通通先原封不動地存入倉庫（Schema-on-Read），等到讀者真正要借閱某類資料時再依據需求進行分類與處理，確保所有原始素材在分析之前都具備最大的彈性。
選項坑洞掃描：B Data Warehouse 以 Schema-on-Write 進入，難直接容納影音與日誌原始檔。C OLTP 設計為交易處理，非大量分析。D NoSQL 是類別而非單一方案，需針對資料型態再細分。
破題反射字：異質原始資料 → Data Lake ／ Schema-on-Read → 讀時定義
第 4 題
某零售集團建置雲端資料平台，資料從門市 POS、電商、CRM 每日流入 TB 級原始資料。資料工程師考量雲端儲存成本低、運算資源可彈性擴充，且分析需求多變，下列資料流水線策略最為合適？
(A) 在內部資料中心完成傳統 ETL 後，每日將整理好的 Parquet 檔批次上傳至雲端物件儲存供下游分析使用。
(B) 在 POS 與電商服務端部署輕量 Edge ETL 代理，於來源端完成清洗與格式正規化後以標準化 schema 流入雲端倉儲。
(C) 採 Lambda 架構同時部署 Batch Layer 與 Speed Layer，所有來源資料進入雲端前皆須通過嚴格 Schema 驗證以確保品質。
(D) 採 ELT，先將原始資料載入雲端 Data Lake 或倉儲保留完整歷史，再依分析需求以雲端運算資源進行後續轉換與建模。
深度導讀解析
正確答案：D
核心考點：ELT 雲端資料管線
理論拆解：雲端具低成本儲存與彈性運算，ELT 先將原始資料載入 Data Lake 或雲端倉儲，再用雲端運算做轉換，能充分利用雲端資源並保留原始資料供多樣化分析。這就像是一間現代化的開放式廚房，我們不再在菜市場把食材全部切好才載回家，而是先將所有新鮮食材買回大冰箱（Data Lake）存放，等到客人點餐時才利用高效能的廚具（雲端運算）進行即時處理，不僅節省搬運成本，更能應對隨時變化的菜單需求。
選項坑洞掃描：A 內部先 ETL 讓雲端運算資源閒置，且失去保留原始資料供多樣化分析的彈性。B 來源端 ETL 分散維運成本高，分析需求一變就要改多處代理。C Lambda 雙軌成本高，且嚴格 Schema 限制新分析需求落地。
破題反射字：雲端大數據 → ELT ／ 傳統機房 → ETL
第 5 題
某電信商日誌系統每日產出約 4TB 網路存取紀錄，資料科學團隊需做使用者行為分群與異常偵測，單台伺服器記憶體僅 128GB，且分析流程需在八小時內完成以供隔日營運會議使用。下列資料處理工具選型何者最合適？
(A) 採 Hadoop MapReduce 叢集以 HDFS 儲存 4TB 日誌，所有轉換與分群運算以 Map 與 Reduce 兩階段撰寫處理。
(B) 採 Presto / Trino 互動式查詢引擎直接對 S3 上的原始日誌執行 SQL 聚合，以產出使用者行為分群結果。
(C) 採 Apache Spark 分散式運算，以記憶體內 RDD/DataFrame 進行大規模轉換、迭代式分群與異常偵測。
(D) 採 Apache Kafka 串流處理平台逐筆處理日誌事件，以流式聚合即時產出使用者行為分群結果。
深度導讀解析
正確答案：C
核心考點：Spark 分散式處理
理論拆解：4TB 遠超單機 128GB 記憶體容量，須採分散式運算。Spark 以記憶體內 RDD/DataFrame 進行分群與轉換，兼顧吞吐量與延遲，是日誌級大數據分析的產業標準。這就像是一群廚師在準備桌菜，傳統做法是每切一樣菜就要跑一趟地下室倉庫（磁碟），而 Spark 則是將所有食材都先放在隨手可得的料理台（記憶體）上，讓廚師們可以針對複雜的菜色進行連續不間斷地烹飪，處理效率遠高於頻繁進出倉庫的老方法。
選項坑洞掃描：A MapReduce 頻繁磁碟 IO 對迭代式分群效能差，8 小時內難完成。B Presto/Trino 擅長即席 SQL 聚合，不擅長迭代式 ML 運算。D Kafka 強項為串流即時，4TB 歷史日誌批次分析非其設計情境。
破題反射字：TB 級分析 → Spark ／ 記憶體內運算 → In-memory
第 6 題
某銀行資料科學團隊要用 KNN 對客戶做信用分群，輸入特徵包含「年收入（萬元）」「信用卡月刷卡額（元）」「逾期次數（次）」三者，三個特徵尺度差異極大。下列前處理步驟何者最為關鍵？
(A) 先對三個數值特徵做 PCA 降維保留前兩個主成分，以主成分為 KNN 輸入避免多維度距離計算受尺度影響。
(B) 對所有數值特徵做標準化（Z-score）或 Min-Max 縮放，使各欄位在距離計算中貢獻相當，避免單一尺度主導。
(C) 對三個特徵做 One-hot Encoding 展開為多個 0/1 欄位，讓 KNN 以相同尺度計算距離以簡化輸入空間。
(D) 以 Pearson 相關係數篩選與「逾期次數」相關度最高的單一特徵作為 KNN 唯一輸入，以單一維度簡化距離計算。
深度導讀解析
正確答案：B
核心考點：距離類演算法需標準化
理論拆解：KNN 以歐氏距離判斷相似度，尺度大的特徵會主導距離計算。標準化或 Min-Max 縮放能讓各欄位在距離中貢獻相當，避免分群被單一尺度綁架。這就像是田徑比賽的評分系統，我們不能直接拿百米短跑的「秒數」與跳高的「公分」直接相加，因為單位的尺度差異會讓跳高成績被完全掩蓋；標準化就像是將所有項目的表現都換算成統一的積分制，讓每項能力在距離計算中都能展現出對等的貢獻。
選項坑洞掃描：A PCA 本身對尺度敏感，若不先標準化，主成分仍會被大尺度欄位主導。C One-hot 用於類別變數，本題三個特徵皆為數值不適用。D 單一特徵忽略其他維度資訊且未解決多特徵距離問題。
破題反射字：KNN 距離 → 標準化 ／ 尺度差異大 → Z-score
第 7 題
某健保機構要將部分就醫紀錄資料釋出給學術單位做慢性病研究，同時須符合《個人資料保護法》與研究倫理要求。資料工程師要設計一套資料釋出策略，兼顧學術利用價值與個資保護。下列策略何者最符合去識別化與隱私保護原則？
(A) 對姓名、身分證字號等直接識別欄位做去識別化處理，配合 k-匿名或差分隱私技術降低再識別風險。
(B) 只要把姓名欄位刪除即可釋出其他原始欄位，因其餘欄位與個人身份無明顯關聯。
(C) 對全部資料做對稱加密後共用金鑰給研究單位，只要金鑰保管妥當即完成保護。
(D) 直接提供原始資料並於契約中約定不得再散佈，由學術單位自行承擔保密責任。
深度導讀解析
正確答案：A
核心考點：去識別化與 k-匿名
理論拆解：健保資料釋出須對直接識別欄位去識別化，並以 k-匿名、差分隱私等技術降低準識別欄位（年齡、郵遞區號、病史組合）的再識別風險。單純刪姓名或對稱加密都不足以防止再識別。這就像是證人保護計畫，我們不能只讓證人戴上墨鏡（刪除姓名）就以為安全，因為歹徒仍可能透過年齡與住址等線索拼湊出真實身份；去識別化就像是讓證人換上制服並融入一群背景相似的群眾中（k-匿名），讓外人即使拿到了資料也無法精確鎖定特定的個人。
選項坑洞掃描：B 只刪姓名留下準識別資訊，再識別風險仍高。C 對稱加密共用金鑰等於同時授權與解鎖。D 契約約束無法取代技術保護。
破題反射字：資料釋出 → 去識別化+k-匿名 ／ 只刪姓名 → 再識別風險
第 8 題
某金融集團內部稽核發現某上線報表的數字與來源系統不符，要求資料治理部門必須能追溯「每個欄位來自哪一張表、經過哪些清洗與轉換、由哪支 pipeline 產出」。下列資料治理機制最能滿足此稽核需求？
(A) 建置 Data Catalog 納入所有資料表與欄位的業務定義、擁有者、敏感度標籤，供全行同仁搜尋並了解資料內容。
(B) 建置中央主資料管理（MDM）系統，統一全行客戶、商品、員工主資料定義以避免跨系統欄位不一致問題。
(C) 建置資料品質監控平台，每日自動計算每張表的完整性、唯一性與時效性指標並發布儀表板供管理審閱。
(D) 建置資料血緣（Data Lineage）與中繼資料管理，完整記錄每個欄位從來源表經哪些清洗轉換到最終報表的路徑與 pipeline 依賴。
深度導讀解析
正確答案：D
核心考點：Data Lineage 資料血緣
理論拆解：Data Lineage 記錄欄位從哪張來源表、經過哪些清洗轉換、由哪支 pipeline 產出，是資料治理回應稽核與除錯的基礎設施。中繼資料管理則補充業務定義與擁有者資訊。這就像是現代食品的產銷履歷，當餐桌上的料理出現問題時，我們必須具備追溯到哪一個農場產出的食材、經過哪一家工廠清洗、以及哪一台冷鏈車載運的能力；資料血緣記錄了每個欄位從源頭到報表的完整履歷，是治理部門面對稽核與除錯時的最終防線。
選項坑洞掃描：A Data Catalog 處理欄位定義與擁有者，不追溯每筆數字的計算路徑。B MDM 處理主檔跨系統一致性，不記錄 pipeline 轉換邏輯。C DQ 監控評估品質指標，不追溯數字如何產出。
破題反射字：欄位來源追溯 → Data Lineage ／ 業務定義管理 → Metadata
第 9 題
某智慧製造廠在產線部署 500 個 IoT 感測器，每秒寫入超過 10 萬筆溫度、振動、壓力時間戳資料，後續需支援近即時儀表板與異常偵測模型訓練。資料平台團隊要選擇合適的資料儲存引擎。下列何者最合適？
(A) 採 Hadoop HDFS + Hive 接收感測器原始資料流並建立批次查詢介面，以產出近即時儀表板與模型訓練資料。
(B) 採時序資料庫（如 InfluxDB、TimescaleDB）或支援時間欄位的 NoSQL，因應高速寫入、時間窗聚合與資料保留策略。
(C) 採 PostgreSQL 主從架構並於時間戳欄位建立 B-Tree 索引，以純 SQL 即時分析並渲染儀表板。
(D) 採文件型 NoSQL（如 MongoDB）將每秒感測器讀值以 JSON 文件儲存，靈活支援感測器欄位結構隨新型號演進。
深度導讀解析
正確答案：B
核心考點：時序資料庫
理論拆解：每秒 10 萬筆高速寫入與時間窗查詢是時序資料典型特徵，時序資料庫（如 InfluxDB、TimescaleDB）專為此類負載設計，具高寫入吞吐、壓縮與時間索引優勢。這就像是在賽車場邊的專業計時器，它與一般手錶（傳統資料庫）不同，它是專為捕捉每秒鐘連續不斷的高頻波動、自動彙整單圈成績並在硬體空間不足時自動清理舊紀錄而設計，這讓它在面對成千上萬感測器的資料流時，依然能維持極高的讀寫吞吐。
選項坑洞掃描：A HDFS + Hive 為批次導向，不適合近即時儀表板需求。C RDBMS B-Tree 索引在每秒 10 萬筆寫入下維護成本爆炸。D MongoDB 寫入彈性好但時間窗聚合效能不如 TSDB。
破題反射字：IoT 高速寫入 → 時序資料庫 ／ 時間窗查詢 → TSDB
第 10 題
某銀行資料治理主管要對全行共用資料做品質評估，希望建立一份完整的資料品質指標體系供各系統使用。下列何者最能完整涵蓋資料品質的主要面向？
(A) 以「資料完整性」為核心指標建立單一構面監控體系，其他面向由各業務單位自行依需求擴充以避免指標過度複雜。
(B) 採 DAMA-DMBOK 資料品質章節中前兩項（完整性、正確性）作為全行共通必測指標，其他面向視各專案彈性採用。
(C) 建立涵蓋完整性、正確性、一致性、時效性、唯一性與有效性六面向的指標體系，定期量測並追蹤趨勢與發布改善報告。
(D) 參考 ISO 8000 資料品質標準，採其中「syntactic 正確性」單一構面作為全行共通指標，其他面向交由各系統自訂管理。
深度導讀解析
正確答案：C
核心考點：資料品質六面向
理論拆解：資料品質評估至少涵蓋完整性（Completeness）、正確性（Accuracy）、一致性（Consistency）、時效性（Timeliness）、唯一性（Uniqueness）與有效性（Validity）六面向，並定期量測與追蹤指標。這就像是一場全面的入學健康檢查，校醫不會只檢查心跳（完整性）就讓你過關，而是必須同時確認體溫（正確性）、視力（時效性）以及各項數值是否符合常態規律；只有當六大檢查指標都達標時，這份資料體檢報告才算完整，能為後續的學術研究提供保障。
選項坑洞掃描：A 僅完整性一面向，一致性與時效性問題完全未覆蓋。B 引用 DAMA 但只採兩項為共通指標，其他四面向片面。D 引用 ISO 8000 但只採 syntactic 單一構面，語意正確性等漏失。
破題反射字：資料品質 → 六面向 ／ 完整正確一致 → 時效唯一有效
