数据质量门控与准入测试实战

CH-17-08-022·约 18 分钟·AI工程化·更新 2026-08-12

凌晨四点的机场出发大厅，你是新上任的安检负责人。第一趟国际航班的旅客正在排队——他们是一批批“数据旅客”，从各条数据管道汇集而来，目的地是数据仓库、BI报表和模型训练场。你心里清楚：只要有一个携带“违禁品”的脏数据混上航班，轻则报表失真，重则模型跑偏，整个业务航线都可能延误。于是你决定布下层层关卡：值机柜台核对身份，安检X光机扫描行李，海关比对证件与申报单，登机口再次确认登机牌。每一道关卡背后都有明确的标准——什么是合格旅客，什么必须拦截，什么只要登记提醒。这套环环相扣的“机场安保体系”，在数据工程里就叫数据质量门控与准入测试。本文就沿着这套安检视角，带你亲手搭建数据质量门控体系：先看质量规则引擎如何做“数据X光扫描”，再学多维评分模型怎么给数据出具“综合体检报告”，接着理解准入阈值如何“看天吃饭”动态调整，然后分清阻断与告警两种门控动作，随后把卡点嵌入整条Pipeline，最后用分级准入的思路落地到数据中台、ML训练和实时数据流。可视化演示、Python示例与面试题一应俱全，包教包会。

岗位关联

对AI从业者而言，掌握质量门控与准入测试，等于给模型装上“食材质检员”，从源头拦截脏数据，让每一次训练与推理都站在高质量数据的地基上——这是AI测试与质量保证工程师的核心硬技能。

可视化演示
质量规则引擎
多维评分模型
准入阈值调整
门控策略执行
卡点体系构建
分级准入实战
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化处理流程：输入→处理→模型→输出性能监控：实时指标 P=L×T

质量规则引擎

安检通道最显眼的就是那台X光机。每位旅客的行李放上传送带，机器扫一遍，违禁品便无处遁形。数据质量门控的第一道设备也是这么一台“X光机”——质量规则引擎。它不做修复，只做检查：把每一行数据当作一件行李，逐条对照规则，找出不符合期望的“违禁品”记录。

规则引擎由一组可配置的质量规则组成，每条规则表达一个具体的质量期望。最常见的四类规则，正好对应行李检查的四种视角：完整性校验检查字段是否为空，像查看“证件是否遗忘在家”；准确性校验检查取值是否在合理范围或符合格式，像“液体是否超过100毫升”；唯一性校验排查主键是否重复，像“一张登机牌是否被两人冒用”；一致性校验验证跨字段逻辑是否自洽，像“离境时间不可能早于入境登记时间”。

生产落地时，规则引擎通常做成声明式配置，用类似JSON的结构描述字段、操作符和期望阈值。引擎启动后先读取元数据加载规则集，再扫描数据输出违规明细，最后汇总成通过比例。这个比例就是最基础的质量指标，比如完整性率：

X光机本身不会拦人，它只负责报告。但有了这张报告，后面的闸机才有判断依据。数据质量门控的第一层，就是把“能查”的问题全部查出来，让问题数据提前暴露在阳光下。

\displaystyle \text{完整性率} = \frac{\text{非空记录数}}{\text{记录总数}} \times 100\%

完整性率是所有质量指标的地基。它回答一个简单问题：这一批“数据旅客”里，证件齐全的人占了几成？

非空记录数（分子）统计目标字段不缺失的记录数量，相当于“证件齐全的旅客人数”。
$\displaystyle \text{非空记录数} = \text{COUNT}(记录) - \text{COUNT}(空值)$
记录总数（分母）数据表或批次的全部行数，指“当天航班的所有旅客数量”。
$\displaystyle \text{记录总数} = \text{COUNT}(全部记录)$
乘100%把小数比例转换为百分比，方便与准入阈值（如85%）直接比较。
$\displaystyle 0.85 \times 100\% = 85\%$

多维评分模型

光查一件行李不够，旅客能不能登机，还要看护照、签证、体温、行李尺寸——多张单据综合判断。数据也一样，完整性、唯一性、准确性、一致性、时效性，每个维度都是一张“体检单”。但门控需要一个简单的比较对象：总不能对五个分数各设一道闸吧？于是需要多维评分模型，把五张体检单汇总成一份综合体检报告，浓缩成一个质量指数 $Q$。

评分模型最关键的是维度权重设计。权重表示业务对不同维度的重视程度：核心订单表的主键唯一性权重最高，日志表的完整性权重最高，而时效性在离线数仓里权重可以很低。权重的确定方法通常是专家打分、层次分析法，或者基于历史影响回归反推。确定后所有维度的权重之和必须等于1，这样综合得分才会落在0到1之间，方便统一阈值。

有了权重和维度分，还要做评分归一化，把空值率、重复率、越界率等不同量纲的指标全部映射到0~1区间，避免某一维度极端值主导总分。归一化后按权重加权求和，便是综合质量得分。整个过程可以用一条公式概括：

有了综合体检报告，门控就有了“一句话结论”。但医生的结论也要看环境——同样的指标，晴天和雾天的放行标准能一样吗？这就引出准入阈值的问题。

\displaystyle Q = \sum_{i=1}^{n} w_i \times s_i, \quad \sum_{i=1}^{n} w_i = 1

这条公式是整套门控体系的“总检医生”结论：每个维度 $s_i$ 乘以它的话语权 $w_i$，累加得到最终质量分 $Q$。

求和符号 $\sum_{i=1}^{n}$从第1个维度遍历到第n个维度，逐项累加，像把五张体检单逐项汇总。
$\displaystyle \sum_{i=1}^{n} w_i \times s_i = w_1 \times s_1 + w_2 \times s_2 + \dots + w_n \times s_n$
权重 $w_i$第i个维度的权重，代表该维度在总评中的话语权。
$\displaystyle 0 \leq w_i \leq 1$
维度分 $s_i$第i个维度归一化后的得分，越接近1表示该维度越健康。
$\displaystyle 0 \leq s_i \leq 1$
权重和为1保证 $Q$ 落在0~1区间，让“总分 >= 0.85”这类阈值有统一的尺子。
$\displaystyle \sum_{i=1}^{n} w_i = w_1 + w_2 + \dots + w_n = 1$

准入阈值调整

天气晴朗时，能见度极高，航班轻松准点起飞；大雾弥漫时，能见度跌破底线，机场自动拉起更高的起飞标准。数据准入阈值也该这样“看天吃饭”——固定阈值看似稳定，实则僵化。数据源在演化、业务在波动，去年设的85%可能今年就不合适了。

阈值怎么定才科学？主流做法是基于历史质量分布取分位点。拿最近 $k$ 个批次的质量得分当样本，找到第85百分位数，下批的准入阈值就取这个值。这样做的好处是：阈值会跟着数据源的真实质量分布走，天然自适应。数据源整体变好了，阈值自动上调；数据源波动变大，阈值也会敏感地收紧。

动态调整策略在工程上通常用滑动窗口实现。每批数据算完质量分 $Q$ 后进入历史序列，旧批次滚出窗口，时刻保持“最近 $k$ 批”的经验范围。业务场景适配也很常见：大促期间交易数据容忍度临时收紧，月底对账时核心表的阈值提高5个百分点，这类业务规则可以和分位数法叠加使用。

阈值定好了，接下来就是闸机动作了。同样是不过线的旅客，有人被直接扣留，有人却只是被登记提醒——这就看门控策略怎么选了。

\displaystyle \theta_t = P_{85}\left( Q_{t-1}, Q_{t-2}, \dots, Q_{t-k} \right)

阈值不再是拍脑袋的常数，而是“最近k批数据质量得分的第85百分位”——让数据自己说话。

$\theta_t$第 $t$ 批次数据的准入阈值，即“今天航班的放行及格分”。
$\displaystyle \theta_t = \text{当前批次的门控标准}$
$P_{85}$第85百分位数，表示“历史上有85%的批次质量得分达到了这个水平”。
$\displaystyle P_{85} = \text{排序后第 } \lceil 0.85 \times k \rceil \text{ 个值}$
括号内序列最近 $k$ 批质量得分组成的滑动窗口，让阈值持续跟随最新数据分布更新。
$\displaystyle \{ Q_{t-1}, Q_{t-2}, \dots, Q_{t-k} \} = \text{历史最近 } k \text{ 个批次的综合质量分}$

门控策略执行

安检台前，旅客口袋里摸出一个打火机。值机员有两个选择：直接扣留，请旅客离开候机区；或者登记信息、口头警告后放行，让机组在飞行中留意。数据门控的两种经典策略正是如此：阻断式与告警式。

阻断式门控是硬底线。质量评分低于硬阈值 $\theta_h$ 时，数据批次被直接拒绝，写入任务失败，触发上游系统告警与重跑。告警式门控则采用软阈值 $\theta_s$：评分落在 $\theta_h$ 和 $\theta_s$ 之间时，数据照常进入系统，但会被打上风险标记，随附一份质量说明报告给下游消费者，相当于“贴条放行”。

生产系统几乎不会只用一种策略，而是策略组合选择：核心订单表用阻断式，行为日志表用告警式；或者对一批数据先告警观察几个批次，若质量持续下滑再自动升级为阻断。失败处理机制也要配套：重试次数上限、死信队列、旁路到影子表手工修复通道等，防止门控本身成为管道瓶颈。决策逻辑可抽象为一个分段函数：

阻断保底线，告警留余地。但无论哪种策略，单点把关都防不住全链路污染——就像机场不能只在登机口查一次行李，值机、安检、海关、登机口必须层层设防。

\displaystyle \text{Decision}(Q, \theta_h, \theta_s) = \begin{cases} \text{通过}, & Q \geq \theta_s \\ \text{告警}, & \theta_h \leq Q < \theta_s \\ \text{阻断}, & Q < \theta_h \end{cases}

一句话记住：$\theta_s$ 是“黄线”，$\theta_h$ 是“红线”。过了黄线放行，黄红之间贴条，跌破红线直接扣留。

通过区间 $Q \geq \theta_s$评分达到软阈值，数据顺利放行，进入下游。
$\displaystyle Q \geq \theta_s \Rightarrow \text{PASS}$
告警区间 $\theta_h \leq Q < \theta_s$处于软硬线之间，放行但打风险标记。
$\displaystyle \theta_h \leq Q < \theta_s \Rightarrow \text{WARN}$
阻断区间 $Q < \theta_h$低于硬底线，数据直接被拒绝。
$\displaystyle Q < \theta_h \Rightarrow \text{BLOCK}$

卡点体系构建

一趟国际航班要过多少道关卡？值机核对身份，安检扫描行李，海关查验申报，登机口复核登机牌。数据Pipeline同样需要多道关卡，只在最终入库前查一次，脏数据早就在中间环节蔓延开了。

全链路卡点布局的原则是“把卡点布在数据的必经之路上”：接入端查字段格式与编码，ETL转换后查加工正确性，入仓前查关联完整性，特征生成后查分布漂移，模型训练前查标签与样本质量。每道关卡只查当前环节最可能被污染的问题，既不重复也不遗漏。

Pipeline集成方式在工程上通常是把门控封装成独立算子。在Airflow、Kubeflow这类编排平台中，门控节点执行质量评分后，用评分结果动态决定下游任务是 all_success 正常跑，还是 one_failed 跳过后续任务。同时每道关卡把检查时间、规则版本、违规明细写入质量元数据目录，形成数据血缘，将来任何一批数据被拦截，都能追溯到是在哪个环节、因为哪条规则挂的。卡点体系是否完整，可以用覆盖率来量化：

卡点不是越多越好，而是要对准风险。把防线布在关键路径上之后，最后一个问题浮出水面：所有数据都用同一套检查标准吗？显然，头等舱和货机通道的安检强度不该一样。

\displaystyle \text{Coverage} = \frac{\text{已布设卡点数}}{\text{应布设卡点数}} \times 100\%

覆盖率回答的是：一条Pipeline从源头到消费端，应该设卡的地方有多少真的设了卡？

已布设卡点数（分子）Pipeline中真实生效的门控节点数，指“已经安排安检员的值机口”。
$\displaystyle \text{已布设卡点数} = \text{实际启用的门控节点数}$
应布设卡点数（分母）根据数据血缘和风险点分析得出的期望关卡总数。
$\displaystyle \text{应布设卡点数} = \text{数据全链路建议卡点数}$
乘100%化成百分比，方便团队把覆盖率定为开发指标。
$\displaystyle \frac{3}{4} \times 100\% = 75\%$

分级准入实战

机场不会给头等舱旅客和货运航班用同一套安检强度，但每一道都会保证安全。数据也一样——分级准入的核心不是降低标准，而是差异化利用检查成本：重要数据下重手，普通数据留余地。

在数据中台治理场景中，主数据表（客户、订单、商品）必须是最高防护等级：高权重规则 + 阻断式门控，评分不过直接拦截，并把工单自动派发给数据责任人。普通维度表和明细表则用中等级别，告警式放行 + 定期复盘。

ML训练数据准入是另一个高频战场。训练集不仅要查完整性、唯一性，还要把特征缺失率、标签噪声率、分布漂移度纳入评分——这些维度直接影响模型能不能学到正确规律。评分低于阈值的样本集根本不进入训练管线。实时流监控场景则更轻快：在Flink或Kafka Streams上做滑动窗口质量统计，质量分瞬时跌破阈值时自动告警并冷热分流，保障下游实时模型输入稳定。

衡量这些门控策略效果，业界看两个硬指标：误纳率（FAR）和误拒率（FRR）。

头等舱再宽松，也绝不会放走携带危险品的人。分级准入的精髓，是在差异化通道中守住统一的质量安全底线——这就是整套“机场安保体系”的最终答卷。

---

\displaystyle \text{FAR} = \frac{\text{低质量数据通过数}}{\text{低质量数据总数}} \times 100\%, \quad \text{FRR} = \frac{\text{高质量数据拦截数}}{\text{高质量数据总数}} \times 100\%

FAR高说明闸门太松，脏数据漏网；FRR高说明闸门太紧，好数据误伤。两个指标联合权衡，才能校准最终准入阈值。

FAR分子分母低质量数据本应被拦却被放行的比例，即“漏网之鱼”的比例。
$\displaystyle \text{FAR} = \frac{\text{坏数据混入数}}{\text{所有坏数据数量}}$
FRR分子分母高质量数据被误拦的比例，即“冤假错案”的比例。
$\displaystyle \text{FRR} = \frac{\text{好数据被误拦数}}{\text{所有好数据数量}}$
两个指标联合使用FAR偏高就上调阈值，FRR偏高就下调阈值，两者交汇处往往是合理阈值点。
$\displaystyle \text{目标} = \min(\text{FAR} + \text{FRR})$

AI 应用场景

数据中台质量卡点拦截脏数据

阶段：数据准备 / 数据治理

解决的问题：数据中台汇聚成百上千个上游系统，传统方式靠人工抽查和事后清洗，脏数据往往已经污染了下游报表和AI模型。引入质量门控后，接入、清洗、入仓各阶段自动评分，不达标的数据直接阻断并生成工单。

具体案例：某金融数据中台的客户主数据表接入300多个上游系统，启用规则引擎与阻断式门控后，完整性率从78%提升到97%，每天被拦截的30多批脏数据自动流转给责任人修复，报表出错率下降了六成。

ML训练数据准入

阶段：模型训练 / 数据准备

解决的问题：用低质量样本训练模型，模型学到的是错误规律，而传统做法只检查样本量、不看质量。质量门控对特征缺失率、标签一致性、分布漂移做多维评分，达不到门槛的样本集直接不进入训练管线。

具体案例：某推荐系统团队用门控检查用户行为日志，发现一批标签翻转率超过阈值的样本，门控立即阻断训练任务，避免了模型离线指标下跌3个百分点的线上事故。

实时数据流质量预警

阶段：实时推理 / 数据流处理

解决的问题：实时数据流的空值和延迟字段难以及时发现。流式门控在Flink上做滑动窗口质量统计，质量分瞬时跌破阈值时触发告警并做冷热分流，保障下游模型输入稳定。

具体案例：支付风控团队对每秒两万条事件流做质量监控，某渠道字段缺失率突增，门控自动把该渠道流量降级到影子链路，定位修复后恢复，全程零误伤。

Python 演示

python96 行

import pandas as pd  class QualityRule:    """单条质量规则, 相当于安检扫描仪的检测项"""     def __init__(self, name, check_func, weight):        self.name = name        self.check_func = check_func        self.weight = weight     def check(self, df):        return self.check_func(df)  class DataQualityGate:    """数据质量门控, 类似机场安检闸机"""     def __init__(self, threshold=0.85, mode="block"):        self.threshold = threshold   # 准入阈值        self.mode = mode             # block 阻断 / warn 告警        self.rules_list = []     def register_rule(self, name, func, weight=1.0):        self.rules_list.append(QualityRule(name, func, weight))     def evaluate(self, df):        total_weight = sum(r.weight for r in self.rules_list)        score = 0.0        detail_map = {}        for rule in self.rules_list:            ratio = rule.check(df)            detail_map[rule.name] = round(ratio, 4)            score += rule.weight * ratio        return score / total_weight, detail_map     def decide(self, score):        if score >= self.threshold:            return "pass"        if self.mode == "block":            return "block"        return "warn"  def check_completeness(df):    """完整率: 非空单元格占比"""    return 1.0 - df.isna().mean().mean()  def check_uniqueness(df):    """唯一率: 去重后行数占比(以整行为单位)"""    total = len(df)    if total == 0:        return 1.0    return len(df.drop_duplicates()) / total  def check_range(df, col, low, high):    """范围准确率: 字段取值在合理区间内的占比"""    if col not in df.columns or len(df) == 0:        return 0.0    return df[col].between(low, high).mean()  def main():    df = pd.DataFrame({        "user_id": [1001, 1002, 1002, 1004, None, 1006, 1007, 1008, 1009, 1010],        "age": [25, 33, 41, 19, 88, 31, 46, 27, 35, 29],        "city": ["北京", "上海", None, "广州", "深圳", "杭州", "南京", None, "成都", "武汉"],        "amount": [199, 320, None, 88, 560, 129, 9999, 45, 300, 210],    })     gate = DataQualityGate(threshold=0.85, mode="block")    gate.register_rule("完整性", check_completeness, weight=0.4)    gate.register_rule("唯一性", check_uniqueness, weight=0.3)    gate.register_rule("年龄范围", lambda d: check_range(d, "age", 0, 120), 0.15)    gate.register_rule("金额范围", lambda d: check_range(d, "amount", 0, 5000), 0.15)     score, detail_map = gate.evaluate(df)    decision = gate.decide(score)     print("=== 数据质量体检报告 ===")    for name, ratio in detail_map.items():        print("%s: %.2f%%" % (name, ratio * 100))    print("综合质量评分: %.2f%%  (阈值 %.0f%%)" % (score * 100, gate.threshold * 100))    print("门控决策: %s" % decision)    if decision == "block":        print(">>> 数据被拦截, 请清洗后重新提交!")    elif decision == "warn":        print(">>> 数据已放行但标记告警, 请持续关注!")    else:        print(">>> 数据顺利通过质量门控!")  if __name__ == "__main__":    main()

目的：用Python实现一个迷你数据质量门控Demo。对一张含缺失值、重复行和越界值的模拟用户表，注册四条质量规则，计算加权综合评分，再按阻断模式输出准入决策。

return 1.0 - df.isna().mean().mean()先按列算缺失率均值，再对所有列平均，得到非空单元格占比，即完整性得分。
return len(df.drop_duplicates()) / total去重后的行数与总行数的比值，衡量整行记录的重复程度。
return df[col].between(low, high).mean()计算字段取值落在合理区间内的比例，作为准确性得分。
self.rules_list.append(QualityRule(name, func, weight))把一条规则及其权重注册进门控引擎，相当于给安检机新增一个检测项。
score += rule.weight * ratio每执行一条规则就把“权重 x 维度分”累加进总分，实现加权求和。
return score / total_weight, detail_map除以总权重做归一化，同时返回各维度明细，生成体检报告。
if decision == "block": print(">>> 数据被拦截, 请清洗后重新提交!")阻断式门控的落地动作：决策为block时直接拒绝这批数据。

常见误区

误区很多同学把门控当成“消毒机”，觉得数据过了闸机就完美无瑕，后续出了问题只要怪门控没拦到就行，修复全靠拦截。

正解门控是“安检线”而不是“净化器”。它只能把当前规则覆盖的不合格数据挡在门外，规则没覆盖的新问题照样溜过去。真正要跑通的是“检查 -> 拦截 -> 清洗 -> 反馈 -> 补充规则”的闭环，门控只是闭环的第一环。

为何常见：门控和清洗经常部署在同一个平台上，界面里“已拦截N条”的数字很有安全感，容易让人误以为门控顺便把数据也修好了。

误区觉得阻断会影响业务进度，告警只是贴个标签不阻塞，听起来更“智能”，于是全链路策略全部配成告警。

正解告警的代价是脏数据已经进入下游。核心数据（金额、主键、用户标识）一旦被污染，事后清洗成本极高，必须用阻断式兜底；只有非关键、可容忍延迟修正的报表级数据才适合告警。策略选择要跟业务影响度挂钩，而不是跟“先进感”挂钩。

为何常见：告警模式对用户友好，演示时“放行 + 提醒”的效果比“直接拒绝”更丝滑，初学者容易被这种体验带偏。

误区认为把准入阈值调到95%甚至99%，数据就绝对安全，于是平台一上线就把阈值拉满。

正解阈值过高会误伤正常批次，导致误拒率（FRR）飙升，大量任务卡死、业务停摆。阈值应该依据历史质量分布和误拒/误纳的代价来权衡，而不是越高越好。记住可视化里的场景：红线拉太高，一半的好数据也被拦在门外。

为何常见：把“严格”等同于“好”，忽略了门控是一道需要权衡的闸门——它的目标是放行好数据、拦截坏数据，而不是把门关死。

误区部分算法同学认为模型只要调好参数就能出好效果，数据脏不脏是数据管道的事，自己只负责读现成的训练集。

正解模型学的是数据里的规律，脏数据直接让模型学错。ML训练数据准入必须由算法团队和平台团队共同定义特征质量、标签噪声、分布漂移的检查标准与阈值，门控的结果直接决定模型效果的上限。

为何常见：门控代码跑在数据平台里，看起来是基础设施的职责，但训练数据、特征、标签恰恰是算法工程师的输入，责任边界一旦割裂，最容易出问题。

面试题

Q1. 数据质量门控的核心作用是什么？

单选题 · easy

A.提高数据存储容量
B.拦截不合格数据入场← 正确答案
C.加速数据实时传输
D.自动修复全部坏数据

答案：B。门控像机场安检闸机，职责是把不合格的“数据旅客”拦在门外，而不是扩容存储、加速传输或自动修复。质量修复靠的是清洗和反馈闭环，门控本身只做拦截与放行判定，所以B正确。

Q2. 完整性率的计算公式中，分子是什么？

单选题 · mid

A.表中非空记录总数← 正确答案
B.表中全部记录总数
C.表中重复记录总数
D.表中空值记录总数

答案：A。完整性率 = 非空记录数 / 记录总数，分子是“证件齐全的旅客数”。分母是全部记录总数，重复记录和空值记录都不是分子，因此只有A正确。

Q3. 多维质量评分模型在汇总各维度得分时采用什么方式？

单选题 · mid

A.算术平均不加权
B.按权重加权求和← 正确答案
C.取所有维度中位数
D.直接取最低维度分

答案：B。质量评分模型用加权求和 $Q=\sum w_i \times s_i$，因为不同维度对业务的重要性不同，权重体现话语权。算术平均隐含所有维度等权，中位数和最低分都会丢失权重信息，所以B正确。

Q4. 动态调整准入阈值时，主要依据是什么？

单选题 · hard

A.历史质量得分的分布← 正确答案
B.开发人员主观偏好
C.数据表字段总数量
D.服务器CPU使用率

答案：A。动态阈值本质是让数据自己说话，通常对最近k批质量得分取百分位数作为下批阈值。开发人员偏好、字段数量和CPU使用率都与数据质量分布无关，所以A正确。

Q5. 阻断式门控策略的核心特点是？

单选题 · mid

A.通过后持续监控告警
B.不合格数据直接拒绝← 正确答案
C.所有数据先入库延迟
D.仅记录问题不处理

答案：B。阻断式门控相当于安检直接扣留违禁品，评分跌破硬阈值的批次会被拒绝写入、任务失败。“通过后持续监控”和“仅记录问题”都是告警式的特征，全部入库延迟会拖垮管道效率，所以B正确。

Q6. 下列哪些属于质量规则引擎中的常见校验类型？

多选题 · mid

A.完整性校验← 正确答案
B.唯一性校验← 正确答案
C.准确性校验← 正确答案
D.存储成本校验

答案：ABC。完整性、唯一性、准确性是规则引擎的三大基础校验，分别对应空值检查、重复检查和范围格式检查。存储成本属于资源管理范畴，不是数据质量规则，所以D不选。

Q7. Pipeline中的质量卡点应布设在什么位置？

单选题 · easy

A.仅开发测试环境
B.数据流转关键环节← 正确答案
C.只在离线存储节点
D.只在可视化图表中

答案：B。卡点要布在数据的必经之路上，即接入、ETL后、入仓前、特征生成后、训练前等关键环节。仅开发测试环境无法保护生产，只在存储节点或图表处卡点则太晚，所以B正确。

Q8. 设计分级准入机制时，需要重点考虑哪些因素？

多选题 · hard

A.数据使用的业务场景← 正确答案
B.模型训练的敏感程度← 正确答案
C.团队代码风格偏好
D.实时性时效性要求← 正确答案

答案：ABD。分级准入按用途差异化设卡：核心业务场景用阻断，模型训练按敏感度决定阈值，实时流则要考虑时效性用轻量告警。代码风格偏好与数据质量无关，所以C不选。

Q9. 关于告警式门控策略，下列说法正确的有哪些？

多选题 · hard

A.数据可先进入系统← 正确答案
B.伴随风险通知标记← 正确答案
C.完全代替阻断式
D.适合非关键实时场景← 正确答案

答案：ABD。告警式门控是“贴条放行”，数据先进入系统并附风险标记，适合非关键或可容忍延迟的场景。但它不能完全替代阻断式——核心数据必须用阻断兜底，所以C错误。

Q10. 误纳率（FAR）描述的是哪种错误？

单选题 · easy

A.合格数据被错误拦截
B.低质量数据通过关卡← 正确答案
C.数据在传输中丢失
D.数据表存储空间不足

答案：B。FAR衡量“漏网之鱼”的比例，即低质量数据本该被拦却通过了门控。合格数据被误拦是误拒率FRR的范畴，传输丢失和存储空间都与FAR无关，所以B正确。