数据分析笔试题目及答案
数据分析笔试题目及答案解析
—— 第1题 ——
1. 从含有N个元素的总体中抽取n个元素作为样本，使得总体中的每一个元素都有相同的机会（概率）被抽中，这样的抽样方式称为?
A. 简单随机抽样
B. 分层抽样
C. 系统抽样
D. 整群抽样
答案：A
—— 第2题 ——
2. 一组数据，均值>中位数>众数，则这组数据
A. 左偏
B. 右偏
C. 钟形
D. 对称
答案：B
「题目解析」
分布形状由众数决定， 均值大于众数的化，说明峰值在左边，尾巴在右边，所以右偏。偏态是看尾巴在哪边。
—— 第3题 ——
3. 对一个特定情形的估计来说，置信水平越低，所对应的置信区间?
A. 越小
B. 越大
C. 不变
D. 无法判断
答案：A
「题目解析」
根据公式，Z减小，置信区间减小。
—— 第4题 ——
4.关于logistic回归算法，以下说法不正确的是?
A. logistic回归是当前业界比较常用的算法，用于估计某种事物的可能性
B. logistic回归的目标变量可以是离散变量也可以是连续变量
C. logistic回归的结果并非数学定义中的概率值
D. logistic回归的自变量可以是离散变量也可以是连续变量
答案：B
「题目解析」
逻辑回归是二分类的分类模型，故目标变量是离散变量，B错；
logisitc回归的结果为“可能性”，并非数学定义中的概率值，不可以直接当做概率值来用，C对。
—— 第5题 ——
5.下列关于正态分布，不正确的是?
A. 正态分布具有集中性和对称性
B. 期望是正态分布的位置参数，描述正态分布的集中趋势位置
C. 正态分布是期望为0，标准差为1的分布
D. 正态分布的期望、中位数、众数相同
答案：C
「题目解析」
N（0，1）是标准正态分布。
—— 第6题 ——
6. 以下关于关系的叙述中，正确的是?
A. 表中某一列的数据类型可以同时是字符串，也可以是数字
B. 关系是一个由行与列组成的、能够表达数据及数据之间联系的二维表
C. 表中某一列的值可以取空值null，所谓空值是指安全可靠或零
D. 表中必须有一列作为主关键字，用来惟一标识一行
E. 以上答案都不对
答案：B
「题目解析」
B. 关系是一张二维表，表的每一行对应一个元组，每一列对应一个域，由于域可以相同，所以必须对每列起一个名字，来加以区分，这个名字称为属性。
—— 第7题 ——
7. 想要了解一个地区人群的一般收入水平，以下什么指标不能使用？
A. 方差
B. 几何平均数
C. 众数
D. 中位数
E. P值
答案：B E
「题目解析」
几何平均数:几何平均数是对各变量值的连乘积开项数次方根。求几何平均数的方法叫做几何平均法。如果总水平、总成果等于所有阶段、所有环节水平、成果的连乘积总和时，求各阶段、各环节的一般水平、一般成果，要使用几何平均法计算几何平均数，而不能使用算术平均法计算算术平均数。根据所拿握资料的形式不同，其分为简单几何平均数和加权几何平均数两种形式。
—— 第8题 ——
8. 以下属于聚类算法的是?
A. ARIMA
B. 朴素贝叶斯
C. 支持向量机
D. K-MEANS
答案：D
「题目解析」
A.时间序列
B.C. 分类模型
D 聚类
—— 第9题 ——
9. 样本中各观察值均加5后?
A. 方差加25
B. 标准差加5
C. 均值加5
D. 中值加5
答案：C D
「题目解析」
样本中各观察值均加5后，标准差和方差不变，均值和中值加5。因为标准差反映数据的离散程度，所有观察值相同的变化，对波动没有影响。举个例子，样本中3个观察值都为1，则方差为0。样本中每个观察值均加5，变成3个5，方差还是0。
—— 第10题 ——
10. 一批零件共10个，其中有3个不合格品，从中一个一个不放回取出，则第三次才取得不合格品的概率是？(填小数)
答案：0.175
「题目解析」
(7/10) __ (6/9) __ (3/8) = 0.175
—— 第11题 ——
11. 某业务线的营业收入为：200，220，250，300，320万元，则平均增长量为?万元
答案：30
「题目解析」
平均增长量 = 累计增长量 / （时间数列项数-1）=（320-200）/（5-1）=30
误区：是除以4 不是5！！！
第12题 ——
14. 经一番研究后，我们开发出了一个新的商品详情页中’相关商品’模块的算法，并且打算通过AB Test（50%用户保留原先的算法逻辑为控制组，50%用户使用新的算法逻辑为实验组）来进行评估。假如你是此次实验的数据分析师，请问你会怎么评估控制组和实验组的表现？请按重要性列出最重要的三个指标并给出你的分析过程。
「题目解析」
相关商品的点击率=相关商品链接点击次数/当前页面浏览次数
相关商品的____率=____行为发生次数/相关商品浏览行为次数
当前商品与相关商品一同____的概率=共同____/当前商品____
第13题 ——
13. 请写sql语句：
想要了解班级内同学的考试情况，现有一张成绩表表名为A，每行都包含以下内容（已知表中没有重复内容，但所有的考试结果都录入在了同一张表中，一个同学会有多条考试结果）：
student_id，course_name，score
现在需要知道：
每门课程得到成绩的同学人数
每门课程的平均成绩
如果对于每门课程来说，60分以下为不及格，高于60为及格，统计每门课程及格和不及格的人数
「题目解析」
官方答案：
1.2.select course_name ,count(distinct student_id) as student_num ,avg(score) as avg_scorefrom Agroup by 1
3.select course_name ,case when score < 60 then '不及格' else '及格' end as level ,count(student_id) as student_numfrom Agroup by 1,2
参考答案第3问
selectcourse_name,case when score < 60 then '不及格'else '及格' end as level,count(student_id) as student_numfrom Agroup by 1,2
我的代码:
-- 我的答案，第三问
SELECT course_name, SUM(CASE WHEN score >= 60 THEN 1 ELSE 0 END ) AS '及格',SUM(CASE WHEN score <60 THEN 1 ELSE 0 END) AS '不及格'FROM AGROUP BY course_name;
数据分析笔试试题及答案
1、异常值是指什么请列举1种识别连续型变量异常值的方法
异常值(Outlier) 是指样本中的个别值，其数值明显偏离所属样本的其余观测值。在数理统计里一般是指一组观测值中与平均值的偏差超过两倍标准差的测定值.
常见的异常值检验方法如下： 基于统计的方法 基于距离的方法 基于密度的方法 基于聚类的方法 基于偏差的方法 基于深度的方法
t检验：按照t分布的实际误差分布范围来判别异常值，首先剔除一个可疑值，然后按t分布来检验剔除的值是否为异常值。
狄克逊检验法：假设一组数据有序x1
格拉布斯检验法：与狄克逊检验法思想一样，其检验公式为：
指数分布检验：
SPSS和R语言中通过绘制箱图可以找到异常值，分布在箱边框外部;
2、什么是聚类分析聚类算法有哪几种请选择一种详细描述其计算原理和步骤。 聚类分析(cluster analysis)是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。聚类分析也叫分类分析(classification analysis)或数值分类
(numerical taxonomy)。聚类与分类的不同在于，聚类所要求划分的类是未知的。
聚类分析计算方法主要有：层次的方法(hierarchical method)、划分方法(partitioning method)、基于密度的方法(density-based method)、基于网格的方法(grid-based method)、基于模型的方法(model-based method)等。其中，前两种算法是利用统计学定义的距离进行度量。 常见的聚类方法有：K-pototypes算法，K-Means算法，CLARANS算法(划分方法)，BIRCH算法(层次方法)，CURE算法(层次方法)，DBSCAN算法(基于密度的方法)，CLIQUE算法(综合了基于密度和基于网格的算法);
k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心;而对于所剩下其它对象，则根据它们与这些聚类中心的相似度(距离)，分别将它们分配给与其最相似的(聚类中心所代表的)聚类;然后再计算每个所获新聚类的聚类中心(该聚类中所有对象的均值);不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 其流程如下：
(1)从 n个数据对象任意选择 k 个对象作为初始聚类中心;
(2)根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离;并根据最小距离重新对相应对象进行划分;
(3)重新计算每个(有变化)聚类的均值(中心对象);
(4)循环(2)、(3)直到每个聚类不再发生变化为止(标准测量函数收敛)。 优点：本算法确定的K 个划分到达平方误差最小。当聚类是密集的，且类与类之间区别明显时，效果较好。对于处理大数据集，这个算法是相对可伸缩和高效的，计算的复杂度为 O(NKt)，其中N是数据对象的数目，K是聚类中心，t是迭代的次数。
缺点：1. K 是事先给定的，但非常难以选定;2. 初始聚类中心的选择对聚类结果有较大的影响。 3.数据标准化技术
是将数据按比例缩放，使之落入一个小的特定区间。去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。常用的方法有：
(1)总和标准化。分别求出各要素所对应的数据的总和，以各要素的数据除以该要素的数据的总和，即
4.缺失值处理方法
1) 直接丢弃含缺失数据的记录
如：个案剔除法，这种方法却有很大的局限性。它是以减少样本量来换取信息的完备，会造成资源的大量浪费，丢弃了大量隐藏在这些对象中的信息。当缺失数据所占比例较大，特别是当缺数据非随机分布时，这种方法可能导致数据发生偏离，从而得出错误的结论。 2)补缺
A. 用平均值来代替所有缺失数据：均值替换法，均值替换法也是一种简便、快速的缺失数据处理方法。使用均值替换法插补缺失数据，对该变量的均值估计不会产生影响。但这种方法是建立在完全随机缺失(MCAR)的假设之上的，而且会造成变量的方差和标准差变小。
B. K -最近距离邻居法：先根据欧式距离或相关分析来确定距离具有缺失数据样本最近的K个样本，将这K个值加权平均来估计该样本的缺失数据。 C.用预测模型来预测每一个缺失数据：该方法最大限度地利用已知的相关数据，是比较流行的缺失数据处理技术。如：回归替换法，该方法也有诸多弊端，第一，容易忽视随机误差，低估标准差和其他未知性质的测量值，而且这一问题会随着缺失信息的增多而变得更加严重。第二，研究者必须假设存在缺失值所在的变量与其他变量存在线性关系，很多时候这种关系是不存在的。
数据分析师常见的7道面试题及答案
1、海量日志数据，提取出某日访问百度次数最多的那个IP。
首先是这一天，并且是访问百度的日志中的IP取出来，逐个写入到一个大文件中。注意到IP是32位的，最多有个2^32个IP。同样可以采用映射的方法，比如模1000，把整个大文件映射为1000个小文件，再找出每个小文中出现频率最大的IP(可以采用hash_map进行频率统计，然后再找出频率最大的几个)及相应的频率。然后再在这1000个最大的IP中，找出那个频率最大的IP，即为所求。
或者如下阐述：
算法思想：分而治之+Hash
1.IP地址最多有2^32=4G种取值情况，所以不能完全加载到内存中处理;
2.可以考虑采用“分而治之”的思想，按照IP地址的Hash(IP)24值，把海量IP日志分别存储到1024个小文件中。这样，每个小文件最多包含4MB个IP地址;
3.对于每一个小文件，可以构建一个IP为key，出现次数为value的Hashmap，同时记录当前出现次数最多的那个IP地址;
4.可以得到1024个小文件中的出现次数最多的IP，再依据常规的排序算法得到总体上出现次数最多的IP;
2、搜索引擎会通过日志文件把用户每次检索使用的所有检索串都记录下来，每个查询串的长度为1-255字节。
假设目前有一千万个记录(这些查询串的重复度比较高，虽然总数是1千万，但如果除去重复后，不超过3百万个。一个查询串的重复度越高，说明查询它的用户越多，也就是越热门。)，请你统计最热门的10个查询串，要求使用的内存不能超过1G。
典型的TopK算法，还是在这篇文章里头有所阐述，
文中，给出的最终算法是：
第一步、先对这批海量数据预处理，在O(N)的时间内用Hash表完成统计(之前写成了排序，特此订正。July、2011.04.27);
第二步、借助堆这个数据结构，找出TopK，时间复杂度为N‘logK。
即，借助堆结构，我们可以在log量级的时间内查找和调整/移动。因此，维护一个K(该题目中是10)大小的小根堆，然后遍历300万的Query，分别和根元素进行对比所以，我们最终的时间复杂度是：O(N)+N’__O(logK)，(N为1000万，N’为300万)。ok，更多，详情，请参考原文。
或者：采用trie树，关键字域存该查询串出现的次数，没有出现为0。最后用10个元素的最小推来对出现频率进行排序。
3、有一个1G大小的一个文件，里面每一行是一个词，词的大小不超过16字节，内存限制大小是1M。返回频数最高的100个词。
方案：顺序读文件中，对于每个词x，取hash(x)P00，然后按照该值存到5000个小文件(记为x0,x1,…x4999)中。这样每个文件大概是200k左右。
如果其中的有的文件超过了1M大小，还可以按照类似的方法继续往下分，直到分解得到的小文件的大小都不超过1M。
对每个小文件，统计每个文件中出现的词以及相应的频率(可以采用trie树/hash_map等)，并取出出现频率最大的100个词(可以用含100个结点的最小堆)，并把100个词及相应的频率存入文件，这样又得到了5000个文件。下一步就是把这5000个文件进行归并(类似与归并排序)的过程了。
4、有10个文件，每个文件1G，每个文件的每一行存放的都是用户的query，每个文件的query都可能重复。要求你按照query的频度排序。
还是典型的TOPK算法，解决方案如下：
方案1：
顺序读取10个文件，按照hash(query)的结果将query写入到另外10个文件(记为)中。这样新生成的文件每个的大小大约也1G(假设hash函数是随机的)。
找一台内存在2G左右的机器，依次对用hash_map(query,query_count)来统计每个query出现的次数。利用快速/堆/归并排序按照出现次数进行排序。将排序好的query和对应的query_cout输出到文件中。这样得到了10个排好序的文件(记为)。
对这10个文件进行归并排序(内排序与外排序相结合)。
方案2：
一般query的总量是有限的，只是重复的次数比较多而已，可能对于所有的query，一次性就可以加入到内存了。这样，我们就可以采用trie树/hash_map等直接来统计每个query出现的次数，然后按出现次数做快速/堆/归并排序就可以了。
方案3：
与方案1类似，但在做完hash，分成多个文件后，可以交给多个文件来处理，采用分布式的架构来处理(比如MapReduce)，最后再进行合并。
5、给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url?
方案1：可以估计每个文件安的大小为5G×64=320G，远远大于内存限制的4G。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。
遍历文件a，对每个url求取hash(url)00，然后根据所取得的值将url分别存储到1000个小文件(记为a0,a1,…,a999)中。这样每个小文件的大约为300M。
遍历文件b，采取和a相同的方式将url分别存储到1000小文件(记为b0,b1,…,b999)。这样处理后，所有可能相同的url都在对应的小文件(a0vsb0,a1vsb1,…,a999vsb999)中，不对应的小文件不可能有相同的url。然后我们只要求出1000对小文件中相同的url即可。
求每对小文件中相同的url时，可以把其中一个小文件的url存储到hash_set中。然后遍历另一个小文件的每个url，看其是否在刚才构建的hash_set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：如果允许有一定的错误率，可以使用Bloomfilter，4G内存大概可以表示340亿bit。将其中一个文件中的url使用Bloomfilter映射为这340亿bit，然后挨个读取另外一个文件的url，检查是否与Bloomfilter，如果是，那么该url应该是共同的url(注意会有一定的错误率)。
Bloomfilter日后会在本BLOG内详细阐述。
6、在2.5亿个整数中找出不重复的整数，注，内存不足以容纳这2.5亿个整数。
方案1：采用2-Bitmap(每个数分配2bit，00表示不存在，01表示出现一次，10表示多次，11无意义)进行，共需内存2^32__2bit=1GB内存，还可以接受。然后扫描这2.5亿个整数，查看Bitmap中相对应位，如果是00变01，01变10，10保持不变。所描完事后，查看bitmap，把对应位是01的整数输出即可。
方案2：也可采用与第1题类似的方法，进行划分小文件的方法。然后在小文件中找出不重复的整数，并排序。然后再进行归并，注意去除重复的元素。
7、腾讯面试题：给40亿个不重复的unsignedint的整数，没排过序的，然后再给一个数，如何快速判断这个数是否在那40亿个数当中?
与上第6题类似，我的第一反应时快速排序+二分查找。以下是其它更好的方法：
方案1：oo，申请512M的内存，一个bit位代表一个unsignedint值。读入40亿个数，设置相应的bit位，读入要查询的数，查看相应bit位是否为1，为1表示存在，为0表示不存在。
方案2：这个问题在《编程珠玑》里有很好的描述，大家可以参考下面的思路，探讨一下：
又因为2^32为40亿多，所以给定一个数可能在，也可能不在其中;
这里我们把40亿个数中的每一个用32位的二进制来表示
假设这40亿个数开始放在一个文件中。