数据分析师面试题目_知名大厂数据分析师24个经典面试题目和答案解析

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

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）：

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

• 方案2（考虑偶数个数，中位数是中间两个数的平均）：

1 set @index = -1
2 select avg(table.column)
3 from
4 (select @index:=@index+1 as index, column
5 from table order by column) as t

2. 平均数

1 select avg(distinct column) from table

3. 众数

1 select column, count(*) from table group by column order by column desc l

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：

1 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<k,v>的形式，并对<k,v>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 ……

1 select t1.date
2 from Tourists as t1, Tourists as t2, Tourists as t3
3 on t1.id = (t2.id+1) and t2.id = (t3.id+1)
4 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

1 update salary

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

1 select A.id,
2 ((case A.d1 when B.d1 then 1 else 0) +
3 (case A.d2 when B.d2 then 1 else 0) +
4 ...) as count_match
5 from A left join B
6 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 ……

1 select uid1, uid2, sum(result) as dot
2 from
3 (select t1.uid as uid1, t2.uid as uid2, t1.goods_id, t1.star*t2.star as result
4 from t as t1, t as t2
5 on t1.goods_id = t2.goods_id) as t
6 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

1 select count(*) from class

2. 输出每位老师教授课程数统计

1 select teacher, count(course) as count_course
2 from class
3 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

1 select knight from table
2 group by vote_knight
3 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

1 select dormitory_number, department_name, count(employee_name) as count_employee
2 from employee as e
3 left join dormitory as dor on e.belong_dormitory_id = dor.id
4 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

1 set @sum = (select sum(frequency)+1 as sum from table)
2 set @index = 0
3 set @last_index = 0
4 select avg(distinct t.frequecy)
5 from
6 (select @last_index := @index, @index := @index+frequency as index, frequency
7 from table) as t
8 where t.index in (floor(@sum/2), ceiling(@sum/2))
9 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

1 select t1.class, avg(distinct t1.score) as median
2 from table t1, table t2 on t1.id = t2.id
3 group by t1.class, t1.score
4 having sum(case when t1.score >= t2.score then 1else 0 end) >=
5 (select count(*)/2 from table where table.class = t1.class)
6 and
7 having sum(case when t1.score <= t2.score then 1else 0 end) >=
8 (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

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
1 select order_id, order_amount from ((select user_id, max(pay_time) as mt from table

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

1 select * from a
2 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

1select * from table order by rand() limit 2000

2. 取出各年龄段抽样1%的用户

1 set @target = 0
2 set @count_user = 0
3 select @target:=@target+10 as age_right, *
4 from table as t1
5 where t1.age >=@target-10 and t1.age < (@target)
6 and t1.id in
7 (select floor(count(*)*0.1） from table as t2
8 where t1.age >=@target-10 and t1.age < (@target)
9 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

1 select visit_date, count(distince user_id)

2. 近30天连续访问7天以上的用户数量

1 select t1.date
2 from table t1, table t2, ..., table t7
3 on t1.visit_date = (t2.visit_date+1) and t2.visit_date = (t3.visit_date+1)
4 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

1 select day(visit_date), count(distinct user_id)
2 from table
3 where user_id not in
4 (select user_id from table
5 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

1 # 三日留存
2 # 先计算每个平台7日前的新用户数量
3 select t1.plat, t1.c/t2.c as retention_3
4 (select plat, count(distinct user_id)
5 from table
6 group by plat, user_id
7 having day(min(visit_date)) = date_sub(now(), interval 7 day)) as t1
8 left join
9 (select plat, count(distinct user_id) as c
10 from table
11 group by user_id having count(user_id) > 0
12 having day(min(visit_date)) = date_sub(now(), interval 7 day)
13 and day(max(visit_date)) > date_sub(now(), interval 7 day)
14 and day(max(visit_date)) <= date_sub(now(), interval 4day)) as t2
15 on t1.plat = t2.plat

- END -

---

文章来源：CSDN，作者：稻蛙^[1]

上文内容不用于商业目的，如涉及知识产权问题，请权利人后台联系我们，我们将及时处理。

参考

1. ^https://blog.csdn.net/u013382288/article/list/2