拼多多面经分享:24个「数据分析师」岗位面试题和答案解析

01

问:贝叶斯公式复述并解释应用场景

P(A|B) = P(B|A)*P(A) / P(B)

如搜索query纠错,设A为正确的词,B为输入的词,那么:

  • P(A|B)表示输入词B实际为A的概率

  • 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)

  • P(A)是词A出现的频率,统计获得

  • P(B)对于所有候选的A都一样,所以可以省去

02

问: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)

03

问:如何避免决策树过拟合

  • 限制树深

  • 剪枝

  • 限制叶节点数量

  • 正则化项

  • 增加数据

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

  • 数据增强(加入有杂质的数据)

  • 早停

04

问:朴素贝叶斯的理解

  • 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

  • 其它:朴素的意思是假设了事件相互独立

05

问:SVM的优点

优点:

  • 能应用于非线性可分的情况

  • 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

  • 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

  • 高维低样本下性能好,如文本分类

缺点:

  • 模型训练复杂度高

  • 难以适应多分类问题

  • 核函数选择没有较好的方法论

06

问:Kmeans的原理

  • 初始化k个点

  • 根据距离点归入k个类中

  • 更新k个类的类中心

  • 重复②③,直到收敛或达到迭代次数

07

问:口答一个SQL题(要用到row number)

mysql中设置row number:

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

08

问: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

内部:

  • 运营活动

  • 产品变动

  • 技术故障

  • 设计漏洞(如产生可以撸羊毛的设计)

外部:

  • 竞品

  • 用户偏好

  • 节假日

  • 社会事件(如产生舆论)

09

问:处理需求时的一般思路是什么,并举例

  • 明确需求,需求方的目的是什么

  • 拆解任务

  • 制定可执行方案

  • 推进

  • 验收

10

问: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

  • 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

  • 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

11

问: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 ……

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

12

问: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

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

13

问: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: 

  • 每个特征列都完全匹配的情况下

  • 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

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

14

问: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 ……

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

15

问: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

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

16

问: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

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

17

问:员工表,宿舍表,部门表,统计出宿舍楼各部门人数表

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

18

问:给出一堆数和频数的表格,统计这一堆数中位数

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)

19

问: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

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)

20

问: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

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

21

问: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)

22

问: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 ??)

注: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

23

问: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)

24

问: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

End.

作者:稻蛙

来源:CSDN

https://blog.csdn.net/u013382288/article/details/80450360

本文为转载分享,如有侵权请联系后台删除


End


    100道练习题,玩转Numpy模块!    面试真题:1亿张彩票堆起来有多高?    数据分析里常用的五个统计学概念
小z微信坑位限时开放后台回复“芝麻开门”即可捕捉号主本人

“不错”

你可能感兴趣的:(拼多多面经分享:24个「数据分析师」岗位面试题和答案解析)