數(shù)據(jù)分析面試題及答案

經典word整理文檔，僅參考，雙擊此處可刪除頁眉頁腳。本資料屬于網絡整理，如有侵權，請聯(lián)系刪除，謝謝！對于數(shù)據(jù)分析的面試者而言，在面試前做好面試準備，提前了解面試題及答案很重要。下面已經為你們了數(shù)據(jù)分析面試題及答案,希望可以幫到你。一、異常值是指什么?請列舉1種識別連續(xù)型變量異常值的方法?異常值(Outlier)是指樣本中的個別值，其數(shù)值明顯偏離所屬樣本的其余觀測值。在數(shù)理統(tǒng)計里一般是指一組觀測值中與平均值的偏差超過兩倍標準差的測定值。Grubbs’test(是以FrankE.Grubbs命名的)，又叫maximumnormedresidualtest，是一種用于單變量數(shù)據(jù)集異常值識別的統(tǒng)計檢測，它假定數(shù)據(jù)集正態(tài)分布的總體?？傮w標準差σ，在五種檢驗法中，優(yōu)劣次序為：t檢驗法、格拉布斯檢驗法、峰度檢驗法、狄克遜檢驗法、偏度檢驗法。二、什么是聚類分析?聚類算法有哪幾種?請選擇一種詳細描述其計算原理和步驟。聚類分析(clusteranalysis)是一組將研究對象分為相對同質的群組(clusters)的統(tǒng)計分析技術。聚類分析也叫分類分析(classificationanalysis)或數(shù)值分類(numericaltaxonomy)。聚類與分類的不同在于，聚類所要求劃分的類是的。聚類分析計算方法主要有：層次的方法(hierarchicalmethod)、劃分方法(partitioningmethod)、基于密度的方法(density-basedmethod)、基于網格的方法(grid-based基于模型的方法(model-basedmethod)等。其中，前兩種算法是利用統(tǒng)計學定義的間隔進展度量。k-means算法的工作過程說明如下：首先從n個數(shù)據(jù)對象任意選擇k個對象作為初始聚類中心;而對于所剩下其它對象，那么根據(jù)它們與這些聚類中心的相似度(間隔)，分別將它們分配給與其最相似的(聚類中心所代表的)聚類;然后再計算每個所獲新聚類的聚類中心(該聚類中所有對象的均值);不斷重復這一過程直到標準測度函數(shù)開始收斂為止。一般都采用均方差作為標準測度函數(shù).k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。其流程如下：(1)從n個數(shù)據(jù)對象任意選擇k個對象作為初始聚類中心;(2)根據(jù)每個聚類對象的均值(中心對象)，計算每個對象與這些中心對象的間隔;并根據(jù)最小間隔重新對相應對象進展劃分;(3)重新計算每個(有變化)聚類的均值(中心對象);(4)循環(huán)(2)、(3)直到每個聚類不再發(fā)生變化為止(標準測量函數(shù)收斂)。優(yōu)點：本算法確定的K個劃分到達平方誤差最小。當聚類是密集的，且類與類之間區(qū)別明顯時，效果較好。對于處理大數(shù)據(jù)集，這個算法是相對可伸縮和高效的，計算的復雜度為O(NKt)，其中N是數(shù)據(jù)對象的數(shù)目，t是迭代的次數(shù)。一般來說，K<一、根據(jù)要求寫出SQL表A構造如下：MemberIDID，字符型)Logtime(用戶訪問頁面時間，日期型(只有一天的數(shù)據(jù)))URL(訪問的頁面地址，字符型)要求：提取出每個用戶訪問的第一個URL(按時間最早)，形成一個新表(新表名為B，表構造和表A一致)createtableBasselectMemberID,min(Logtime),URLfromAgroupbyMemberID;二、銷售數(shù)據(jù)分析以下是一家B2C電子商務網站的一周銷售數(shù)據(jù)，該網站主要用戶群是辦公室女性，銷售額主要集中在5種產品上，如果你是這家公司的分析師，a)從數(shù)據(jù)中，你看到了什么問題?你覺得背后的原因是什么?b)如果你的老板要求你提出一個運營改良方案，你會怎么做?表如下：一組每天某網站的銷售數(shù)據(jù)a)從這一周的數(shù)據(jù)可以看出，周末的銷售額明顯偏低。這其中的原因，可以從兩個角度來看：站在消費者的角度，周末可能不用上班，因而也沒有購置該產品的欲望;站在產品的角度來看，該產品不能在周末的時候引起消費者足夠的注意力。b)針對該問題背后的兩方面原因，我的運營改良方案也分兩方面：一是，針對消費者周末沒有購置欲望的心理，進展引導提醒消費者周末就應該準備好該產品;二是，通過該產品的一些類似于打折促銷等活動來提升該產品在周末的人氣和購置力。三、用戶調研某公司針對A、B、C三類客戶，提出了一種統(tǒng)一的改良方案，用于提升客戶的周消費次數(shù)，需要你來制定一個事前試驗方案，來支持決策，請你思考以下問題：a)試驗需要為決策提供什么樣的信息?c)按照上述目的，請寫出你的數(shù)據(jù)抽樣方法、需要采集的數(shù)據(jù)指標項，以及你選擇的統(tǒng)計方法。a)試驗要能證明該改良方案能顯著提升A、B、C三類客戶的周消費次數(shù)。b)根據(jù)三類客戶的數(shù)量，采用分層比例抽樣;需要采集的數(shù)據(jù)指標項有：客戶類別，改良方案前周消費次數(shù)，改良方案后周消費次數(shù);選用統(tǒng)計方法為：分別針對A、B、C三類客戶，進展改良前和后的周消費次數(shù)的，兩獨立樣本T-檢驗(two-sample1、海量日志數(shù)據(jù)，提取出某日訪問次數(shù)最多的那個IP。首先是這一天，并且是訪問的日志中的IP取出來，逐個寫入到一個大文件中。注意到IP是32位的，最多有個2^32個IP。同樣可以采用映射的方法，比方模1000，把整個大文件映射為1000個小文件，再找出每個小文中出現(xiàn)頻率最大的IP(可以采用hashmap進展頻率統(tǒng)計，然后再找出頻率最大的幾個)及相應的頻率。然后再在這1000個最大的IP中，找出那個頻率最大的IP，即為所求?；蛘呷缦玛U述：算法思想：分而治之+HashIP地址最多有2^32=4G種取值情況，所以不能完全加載到內存中處理;可以考慮采用“分而治之”的思想，按照IP地址的Hash(IP)24值，把海量IP日志分別存儲到1024個小文件中。這樣，每個小文件最多包含4MB個IP地址;對于每一個小文件，可以構建一個IP為key，出現(xiàn)次數(shù)為value的Hashmap，同時記錄當前出現(xiàn)次數(shù)最多的那個IP地址;可以得到1024個小文件中的出現(xiàn)次數(shù)最多的IP，再依據(jù)常規(guī)的排序算法得到總體上出現(xiàn)次數(shù)最多的IP;2、搜索引擎會通過日志文件把用戶每次檢索使用的所有檢索串都記錄下來，每個查詢串的長度為1-255字節(jié)。假設目前有一千萬個記錄(這些查詢串的重復度比擬高，雖然總數(shù)是1千萬，但如果除去重復后，不超過3百萬個。一個查詢串的重復度越高，說明查詢它的用戶越多，也就是越熱門。)，請你統(tǒng)計最熱門的10個查詢串，要求使用的內存不能超過1G。典型的TopK算法，還是在這篇文章里頭有所闡述，文中，給出的最終算法是：第一步、先對這批海量數(shù)據(jù)預處理，在O(N)的時間內用Hash表完成統(tǒng)計(之前寫成了排序，特此訂正。July、xx.04.27);第二步、借助堆這個數(shù)據(jù)構造，找出TopK，時間復雜度為N‘logK。即，借助堆構造，我們可以在log量級的時間內查找和調整/移動。因此，維護一個K(該題目中是10)大小的小根堆，然后遍歷300萬的Query，分別和根元素進展比照所以，我們最終的時間復雜度是：O(N)+N’*O(logK)，(N為1000萬，N’為300萬)。ok，更多，詳情，請參考原文?；蛘撸翰捎胻rie樹，關鍵字域存該查詢串出現(xiàn)的次數(shù)，沒有出現(xiàn)為0。最后用10個元素的最小推來對出現(xiàn)頻率進展排序。3、有一個1G大小的一個文件，里面每一行是一個詞，詞的大小不超過16字節(jié)，內存限制大小是1M。返回頻數(shù)最高的100個詞。方案：順序讀文件中，對于每個詞x，取hash(x)P00，然后按照該值存到5000個小文件(記為x0,x1,…x4999)中。這樣每個文件大概是200k左右。如果其中的有的文件超過了1M大小，還可以按照類似的方法繼續(xù)往下分，直到分解得到的小文件的大小都不超過1M。對每個小文件，統(tǒng)計每個文件中出現(xiàn)的詞以及相應的頻率(可以采用trie樹/hashmap等)，并取出出現(xiàn)頻率最大的100個詞(可以用含100個結點的最小堆)，并把100個詞及相應的頻率存入文件，這樣又得到了5000個文件。下一步就是把這5000個文件進展歸并(類似與歸并排序)的過程了。4、有10個文件，每個文件1G，每個文件的每一行存放的都是用戶的query，每個文件的query都可能重復。要求你按照query的頻度排序。還是典型的TOPK算法，解決方案如下：方案1：順序讀取10個文件，按照hash(query)的結果將query寫入到另外10個文件(記為)中。這樣新生成的文件每個的大小大約也1G(假設hash函數(shù)是隨機的)。找一臺內存在2G左右的機器，依次對用hashmap(query,querycount)來統(tǒng)計每個query出現(xiàn)的次數(shù)。利用快速/堆/歸并排序按照出現(xiàn)次數(shù)進展排序。將排序好的query和對應的querycout輸出到文件中。這樣得到了10個排好序的文件(記為)。對這10個文件進展歸并排序(內排序與外排序相結合)。方案2：一般query的總量是有限的，只是重復的次數(shù)比擬多而已，可能對于所有的query，一次性就可以參加到內存了。這樣，我們就可以采用trie樹/hashmap等直接來統(tǒng)計每個query出現(xiàn)的次數(shù)，然后按出現(xiàn)次數(shù)做快速/堆/歸并排序就可以了。方案3：與方案1類似，但在做完hash，分成多個文件后，可以交給多個文件來處理，采用分布式的架構來處理(比方MapReduce)，最后再進展合并。給定a、b兩個文件，各存放50億個url，每個url各占64字節(jié)，內存限制是4G，讓你找出a、b文件共同的url?方案1：可以估計每個文件安的大小為5G×64=320G，遠遠大于內存限制的4G。所以不可能將其完全加載到內存中處理?？紤]采取分而治之的方法。遍歷文件a，對每個url求取hash(url)00，然后根據(jù)所取得的值將url分別存儲到1000個小文件(記為a0,a1,…,a999)中。這樣每個小文件的大約為300M。遍歷文件b，采取和a相同的方式將url分別存儲到1000小文件(記為b0,b1,…,b999)。這樣處理后，所有可能相同的url都在對應的小文件(a0vsb0,a1vsb1,…,a999vsb999)中，不對應的小文件不可能有相同的url。然后我們只要求出1000對小文件中相同的url即可。求每對小文件中相同的url時，可以把其中一個小文件的url存儲到hashset中。然后遍歷另一個小文件的每個url，看其是否在剛剛構建的hashset中，如果是，那么就是共同的url，存到文件里面就可以了。方案2：如果允許有一定的錯誤率，可以使用Bloomfilter，4G內存大概可以表示340億bit。將其中一個文件中的url使用Bloomfilter映射為這340億bit，然后挨個讀取另外一個文件的url，檢查是否與Bloomfilter，如果是，那么該url應該是共同的url(注意會有一定的錯誤率)。Bloomfilter日后會在本BLOG內詳細闡述。6、在2.5億個整數(shù)中找出不重復的整數(shù)，注，內存缺乏以容納這2.5億個整數(shù)。方案1：采用2-Bitmap(每個數(shù)分配2bit，00表示不存在，01表示出現(xiàn)一次，10表示屢次，11無意義)進展，共需內存2^32*2bit=1GB內存，還可以承受。然后掃描這2.5億個整數(shù)，查看Bitmap中相對應位，如果是00變01，01變10，10保持不變。所描完事后，查看bitmap，把對應位是01的整數(shù)輸出即可。方案2：也可采用與第1題類似的方法，進展劃分小文件的方法。然后在小文件中找出不重復的整數(shù)，并排序。然后再進展歸并，注意去除重復的元素。7、騰訊面試題：給40億個不重復的unsignedint的整數(shù)，沒排過序的，然后再給一個數(shù)，如何快速判斷這個數(shù)是否在那40億個數(shù)當中?與上第6題類似，我的第一反響時快速排序+二分查找。以下是其它更好的方法：方案1：oo，申請512M的內存，一個bit位代表一個unsignedint值。讀入40億個數(shù)，設置相應的bit位，讀入要查詢的數(shù)，查看相應bit位是否為1，為1表示存在，為0表示不存在。方案2：這個問題在《編程珠璣》里有很好的描述，大家可以參考下面的思路，探討一下：又因為2^32為40億多，所以給定一個數(shù)可能在，也可能不在其中;這里我們把40億個數(shù)中的每一個用32位的二進制來表示假設這40億個數(shù)開始放在一個文件中。然后將這40億個數(shù)分成兩類:1.最高位為02.最高位為1并將這兩類分別寫入到兩個文件中，其中一個文件中數(shù)的個數(shù)<=20億，而另一個>=20億(這相當于折半了);與要查找的數(shù)的最高位比擬并接著進入相應的文件再查找再然后把這個文件為又分成兩類:1.次最高位為02.次最高位為1并將這兩類分別寫入到兩個文件中，其中一個文件中數(shù)的個數(shù)<=10億，而另一個>=10億(這相當于折半了);與要查找的數(shù)的次最高位比擬并接著進入相應的文件再查找?！?以此類推，就可以找到了,而且時間復雜度為O(logn)，方案2完。附：這里，再簡單介紹下，位圖方法：使用位圖法判斷整形數(shù)組是否存在重復判斷集合中存在重復是常見編程任務之一，當集合中數(shù)據(jù)量比擬大時我們通常希望少進展幾次掃描，這時雙重循環(huán)法就不可取了。位圖法比擬適合于這種情況，它的做法是按照集合中最大元素max創(chuàng)立一個長度為max+1的新數(shù)組，然后再次掃描原數(shù)組，遇到幾就給新數(shù)組的第幾位置上1，如遇到5就給新數(shù)組的第六個元素置1，這樣下次再遇到5想置位時發(fā)現(xiàn)新數(shù)組的第六個元素已經是1了，這說明這次的數(shù)據(jù)肯定和以前的數(shù)據(jù)存在著重復。這種給新數(shù)組初始化時置零其后置一的做法類似于位圖的處理方法故稱位圖法。它的運算次數(shù)最壞的情況為2N。如果數(shù)組的最大值即能事先給新數(shù)組定長的話效率還能提高一倍。歡送，有更好的思路，或方法，共同交流。8、怎么在海量數(shù)據(jù)中找出重復次數(shù)最多的一個?方案1：先做hash，然后求模映射為小文件，求出每個小文件中重復次數(shù)最多的一個，并記錄重復次數(shù)。然后找出上一步求出的數(shù)據(jù)中重復次數(shù)最多的一個就是所求(詳細參考前面的題)。9、上千萬或上億數(shù)據(jù)(有重復)，統(tǒng)計其中出現(xiàn)次