【秋招】拼多多_数据分析岗_面试题整理

1. 贝叶斯公式复述并解释应用场景

   1)P(A|B) = P(B|A)*P(A) / P(B)

   2)如搜索query纠错,设A为正确的词,B为输入的词,那么:

      a. P(A|B)表示输入词B实际为A的概率

      b. P(B|A)表示词A错输为B的概率,可以根据AB的相似度计算(如编辑距离)

      c. P(A)是词A出现的频率,统计获得

      d. P(B)对于所有候选的A都一样,所以可以省去

 

2. 如何写SQL求出中位数平均数和众数(除了用count之外的方法)

   1)中位数:

方案1(没考虑到偶数个数的情况):

set @m = (select count(*)/2 from table)

select column from table order by column limit @m, 1

方案2(考虑偶数个数,中位数是中间两个数的平均):

set @index = -1

select avg(table.column)

from

(select @index:=@index+1 as index, column

from table order by column) as t

where t.index in (floor(@index/2),ceiling(@index/2))

   2)平均数:select avg(distinct column) from table

   3)众数:select column, count(*) from table group by column order by column desc limit 1(emmm,好像用到count了)

 

3. 学过的机器学习算法有哪些

略。

 

4. 如何避免决策树过拟合

   1)限制树深

   2)剪枝

   3)限制叶节点数量

   4)正则化项

   5)增加数据

   6)bagging(subsample、subfeature、低维空间投影)

   7)数据增强(加入有杂质的数据)

   8)早停

 

5. 朴素贝叶斯的理解

   1)推导(参考:https://www.cnblogs.com/pinard/p/6069267.html)

   2)理解:朴素贝叶斯是在已知一些先验概率的情况下,由果索因的一种方法

   3)其它:朴素的意思是假设了事件相互独立

 

6. SVM的优点

   1)优点:

      a. 能应用于非线性可分的情况

      b. 最后分类时由支持向量决定,复杂度取决于支持向量的数目而不是样本空间的维度,避免了维度灾难

      c. 具有鲁棒性:因为只使用少量支持向量,抓住关键样本,剔除冗余样本

      d. 高维低样本下性能好,如文本分类

   2)缺点:

      a. 模型训练复杂度高

      b. 难以适应多分类问题

      c. 核函数选择没有较好的方法论

 

7. Kmeans的原理

   1)初始化k个点

   2)根据距离点归入k个类中

   3)更新k个类的类中心

   4)重复(2)(3),直到收敛或达到迭代次数

 

8. 对拼多多有什么了解,为什么选择拼多多

略。

 

9. 口答两个SQL题(一个跟留存率相关,一个要用到row number)

   1)留存率:略

   2)mysql中设置row number:

SET @row_number = 0; SELECT (@row_number:=@row_number + 1) AS num FROM table

 

10. 业务场景题,如何分析次日留存率下降的问题

   业务问题关键是问对问题,然后才是拆解问题去解决。

   1)两层模型:从用户画像、渠道、产品、行为环节等角度细分,明确到底是哪里的次日留存率下降了

   2)指标拆解:次日留存率 = Σ 次日留存数 / 今日获客人数

   3)原因分析:

      1)内部:

         a. 运营活动

         b. 产品变动

         c. 技术故障

         d. 设计漏洞(如产生可以撸羊毛的设计)

   2)外部:

      a. 竞品

      b. 用户偏好

      c. 节假日

      d. 社会事件(如产生舆论)

 

11. 处理需求时的一般思路是什么,并举例

   1)明确需求,需求方的目的是什么

   2)拆解任务

   3)制定可执行方案

   4)推进

   5)验收

 

12. 为什么选择拼多多

略。

 

13. 用过拼多多下单没,感受如何

略。

 

14. 可以接受单休和加班么

略。

 

15. 为啥要选数据分析方向(我简历上写的是数据挖掘工程师。。。)

略。

 

16. 开始聊项目,深究项目,我研究生阶段的方向比较偏,所以面试的三分之二时间都是在给他讲项目,好在最后他终于听懂了,thx god、、、

略。

 

17. hadoop原理和mapreduce原理

   1)Hadoop原理:采用HDFS分布式存储文件,MapReduce分解计算,其它先略

   2)MapReduce原理:

      a. map阶段:读取HDFS中的文件,解析成的形式,并对进行分区(默认一个区),将相同k的value放在一个集合中

      b. reduce阶段:将map的输出copy到不同的reduce节点上,节点对map的输出进行合并、排序

(参考:https://www.cnblogs.com/ahu-lichang/p/6645074.html)

 

18. 还有啥问题要问的?于是我出于本能的问了一句“为啥不写代码!” 然后面试官说“时间不够了。。。。”

略。

 

19.

现有一个数据库表Tourists,记录了某个景点7月份每天来访游客的数量如下: id date visits 1 2017-07-01 100 …… 非常巧,id字段刚好等于日期里面的几号。现在请筛选出连续三天都有大于100天的日期。 上面例子的输出为: date 2017-07-01 ……

解:

select t1.date

from Tourists as t1, Tourists as t2, Tourists as t3

on t1.id = (t2.id+1) and t2.id = (t3.id+1)

where t1.visits >100 and t2.visits>100 and t3.visits>100

20.

在一张工资表salary里面,发现2017-07这个月的性别字段男m和女f写反了,请用一个Updae语句修复数据 例如表格数据是: id name gender salary month 1 A m 1000 2017-06 2 B f 1010 2017-06

解:

update salary

set gender = replace('mf', gender, '')

 

21.

现有A表,有21个列,第一列id,剩余列为特征字段,列名从d1-d20,共10W条数据! 另外一个表B称为模式表,和A表结构一样,共5W条数据 请找到A表中的特征符合B表中模式的数据,并记录下相对应的id 有两种情况满足要求: 1 每个特征列都完全匹配的情况下。 2 最多有一个特征列不匹配,其他19个特征列都完全匹配,但哪个列不匹配未知

解:(这题不懂怎么解)

select A.id,

((case A.d1 when B.d1 then 1 else 0) +

(case A.d2 when B.d2 then 1 else 0) +

...) as count_match

from A left join B

on A.d1 = B.d1

22.

我们把用户对商品的评分用稀疏向量表示,保存在数据库表t里面: t的字段有:uid,goods_id,star uid是用户id;goodsid是商品id;star是用户对该商品的评分,值为1-5。 现在我们想要计算向量两两之间的内积,内积在这里的语义为:对于两个不同的用户,如果他们都对同样的一批商品打了分,那么对于这里面的每个人的分数乘起来,并对这些乘积求和。 例子,数据库表里有以下的数据: U0 g0 2 U0 g1 4 U1 g0 3 U1 g1 1 计算后的结果为: U0 U1 2*3+4*1=10 ……

解:

select uid1, uid2, sum(result) as dot

from

(select t1.uid as uid1, t2.uid as uid2, t1.goods_id, t1.star*t2.star as result

from t as t1, t as t2

on t1.goods_id = t2.goods_id) as t

group by goods_id

23.

微信取消关注分析,题目太长了,没记录

略。

 

24. 统计教授多门课老师数量并输出每位老师教授课程数统计表

解:设表class中字段为id,teacher,course

1)统计教授多门课老师数量

select count(*) from class

group by teacher having count(*) > 1

2)输出每位老师教授课程数统计

select teacher, count(course) as count_course

from class

group by teacher

 

25. 四个人选举出一个骑士,统计投票数,并输出真正的骑士名字

解:设表tabe中字段为id,knight,vote_knight

select knight from table

group by vote_knight

order by count(vote_knight) limit 1

 

26. 员工表,宿舍表,部门表,统计出宿舍楼各部门人数表

解:设员工表为employee,字段为id,employee_name,belong_dormitory_id,belong_department_id;

宿舍表为dormitory,字段为id,dormitory_number;

部门表为department,字段为id,department_name

select dormitory_number, department_name, count(employee_name) as count_employee

from employee as e

left join dormitory as dor on e.belong_dormitory_id = dor.id

left join department as dep on e.belong_department_id = dep.id

 

27. 给出一堆数和频数的表格,统计这一堆数中位数

解:设表table中字段为id,number,frequency

set @sum = (select sum(frequency)+1 as sum from table)

set @index = 0

set @last_index = 0

select avg(distinct t.frequecy)

from

(select @last_index := @index, @index := @index+frequency as index, frequency

from table) as t

where t.index in (floor(@sum/2), ceiling(@sum/2))

or (floor(@sum/2) > t.last_index and ceiling(@sum.2) <= t.index)

 

28. 中位数,三个班级合在一起的一张成绩单,统计每个班级成绩中位数

解:设表table中字段为id,class,score

select t1.class, avg(distinct t1.score) as median

from table t1, table t2 on t1.id = t2.id

group by t1.class, t1.score

having sum(case when t1.score >= t2.score then 1else 0 end) >=

(select count(*)/2 from table where table.class = t1.class)

and

having sum(case when t1.score <= t2.score then 1else 0 end) >=

(select count(*)/2 from table where table.class = t1.class)

 

29. 交易表结构为user_id,order_id,pay_time,order_amount

   写sql查询过去一个月付款用户量(提示 用户量需去重)最高的3天分别是哪几天

  写sql查询做昨天每个用户最后付款的订单ID及金额

1)select count(distinct user_id) as c from table group by month(pay_time) order by c desc limit 3

2)select order_id, order_amount from ((select user_id, max(pay_time) as mt from table group by user_id where DATEDIFF(pay_time, NOW()) = -1 as t1) left join table as t2 where t1.user_id = t2.user_id and t1.mt == t2.pay_time)

 

30. PV表a(表结构为user_id,goods_id),点击表b(user_id,goods_id),数据量各为50万条,在防止数据倾斜的情况下,写一句sql找出两个表共同的user_id和相应的goods_id

select * from a

where a.user_id exsit (select user_id from b)

(这题不太懂,sql中如何防止数据倾斜)

 

31. 表结构为user_id,reg_time,age, 写一句sql按user_id随机抽样2000个用户  写一句sql取出按各年龄段(每10岁一个分段,如(0,10))分别抽样1%的用户

1)随机抽样2000个用户

select * from table order by rand() limit 2000

2)取出各年龄段抽样1%的用户

set @target = 0

set @count_user = 0

select @target:=@target+10 as age_right, *

from table as t1

where t1.age >=@target-10 and t1.age < (@target)

and t1.id in

(select floor(count(*)*0.1) from table as t2

where t1.age >=@target-10 and t1.age < (@target)

order by rand() limit ??)

(mysql下按百分比取数没有想到比较好的方法,因为limit后面不能接变量。想到的方法是先计算出每个年龄段的总数,然后计算出1%是多少,接着给每一行加一个递增+1的行标,当行标=1%时,结束)

 

32. 用户登录日志表为user_id,log_id,session_id,plat,visit_date 用sql查询近30天每天平均登录用户数量  用sql查询出近30天连续访问7天以上的用户数量

1)近三十天每天平均登录用户数量

select visit_date, count(distince user_id)

group by visit_date

2)近30天连续访问7天以上的用户数量

select t1.date

from table t1, table t2, ..., table t7

on t1.visit_date = (t2.visit_date+1) and t2.visit_date = (t3.visit_date+1)

and ... and t6.visit_date = (t7.visit_date+1)

 

33. 表user_id,visit_date,page_name,plat  统计近7天每天到访的新用户数 统计每个访问渠道plat7天前的新用户的3日留存率和7日留存率

1)近7天每天到访的新用户数

select day(visit_date), count(distinct user_id)

from table

where user_id not in

(select user_id from table

where day(visit_date) < date_sub(visit_date, interval 7day))

2)每个渠道7天前用户的3日留存和7日留存

# 三日留存

# 先计算每个平台7日前的新用户数量

select t1.plat, t1.c/t2.c as retention_3

(select plat, count(distinct user_id)

from table

group by plat, user_id

having day(min(visit_date)) = date_sub(now(), interval 7 day)) as t1

left join

(select plat, count(distinct user_id) as c

from table

group by user_id having count(user_id) > 0

having day(min(visit_date)) = date_sub(now(), interval 7 day)

and day(max(visit_date)) > date_sub(now(), interval 7 day)

and day(max(visit_date)) <= date_sub(now(), interval 4day)) as t2

on t1.plat = t2.plat

 

你可能感兴趣的:(数据类职位面试)