3道数据分析师面试题实录

导读

今天参加了一场数据分析师面试，遴选3道记录以资后鉴。

1. SQL求两表差集

用SQL实现黄色部分查询

求差集在其他SQL语句中存在关键词Except的用法，而MySQL中没有，所以需要用其他方法折中实现。但实现本身也不难。

以公共字段为id示例，提供两种常规思路：

• 利用子查询

用最常规的语法（说人话的实现语句）是用in：

1SELECT * 
2FROM A 
3WHERE id not in (SELECT id FROM B)

当然，能用关键字in实现的语句基本上都可以用exists实现：

1SELECT * 
2FROM A 
3WHERE not exists (SELECT 1 FROM B WHERE A.id=B.id)

用子查询实现逻辑简单，语句更为直接，但执行效率一般较差，至于用in还是exists又要取决于索引情况和A、B两表数据规模情况。

• 利用表连接查询

实现两表差集更为可取的做法是用表连接：

1SELECT A.* 
2FROM A left join B 
3    using(id)
4WHERE B.id is null

表连接方式更为高效，如果当B表较大但id列存在有效索引时，实际上还存在一点优化的空间和技巧：

1SELECT A.* 
2FROM A left join 
3    (SELECT id FROM B) C 
4    using(id) 
5WHERE C.id is null

这里假定B表id字段已建立索引，进而通过覆盖索引查询B表id字段形成衍生表C，会大大加速查询过程，进而优化表连接查询结果。

---

2. 64匹马竞技取前4

实话说，这道题曾经见过，但无奈当时并未仔细思考。面试现场，脑中想到了可能的解决框架：

• 64匹马用8条赛道，取前4，这是mapreduce模型啊，问题是怎么reduce出TOP4来

• 64取前4，这是排序算法中快排的套路：无需关注具体排名，仅需查询TOP4即可

实际上，实现起来却尽是浆糊，剪不断理还乱。最后，只能给出中规中矩的晋级策略，也是最常规和最差的方案：每8匹马取前4，逐轮晋级，64→32→16→8→4，共需15轮。

而更为理想的策略仅需10-11轮：

• 64匹马分8组，每组单独竞技，各取前4作为候选空间
  

第1-8轮竞技

• 为加快区分度，取各组第1名共8匹马进行竞技，记录排名

第9轮竞技

经过此轮，能得到很多信息量：

1. 第1名是总冠军，且其原来所在组的2-4名均可能是总排名前4

2. 第2、3、4名所在组仅需分别保留3-2-1匹马作为总排名前4的候选空间

3. 此时问题转化为9选3

• 9匹马中，选择其中的8匹竞技，取前3。这里，9选8的策略有很多，但最好的方案是期望经过此轮后无需考虑剩下的那匹马，也就是说将最不可能进入总排名前4的马作为备选。因此，最为理想的选择是将总冠军那一组的第4名作为备选马，确保该组第2名或第3名未进入8选3结果中，无需再考虑备选的第4名，否则才需加赛。当然，将第二列的第三名作为备选也会得到相同的期望。

第10轮，选出最终2-3-4名

最终，总轮次仅需10-11轮。

---

3. 业务异常点分析

业务面中，遇到了一个经典的异常业务数据分析题，虽然是一道主观题，但实际上也是有框架的，不幸的是自己当时陷入了分析陷阱中：想当然的顺着面试官的暗示，将这个问题归结为一定是异常，然后展开具体分析。而更一般的分析框架应该是这样的：

业务异常点分析思路框架

自己当时就只冲着其中一个点往里钻，缺乏跳出问题看问题的思维……

相关阅读：

• 临行在即，分享一个自己写的sklearn源码库

• 从pandas中的这几个函数，我看懂了道家“一生二、二生三、三生万物”
  

• python数据科学系列：pandas入门详细教程

• python数据科学系列：matplotlib入门详细教程

• python数据科学系列：numpy入门详细教程