1. 貝葉斯公式複述並解釋應用場景

   1）P（A|B) = P(B|A)*P(A) / P(B)

   2）如搜尋query糾錯，設A為正確的詞，B為輸入的詞，那麼：

      a. P(A|B)表示輸入詞B實際為A的概率

      b. P(B|A)表示詞A錯輸為B的概率，可以根據AB的相似度計算（如編輯距離）

      c. P(A)是詞A出現的頻率，統計獲得

      d. P(B)對於所有候選的A都一樣，所以可以省去

2. 如何寫SQL求出中位數平均數和眾數（除了用count之外的方法）

   1）中位數：

方案1（沒考慮到偶數個數的情況）：

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

select column from table order by column limit @m, 1

方案2（考慮偶數個數，中位數是中間兩個數的平均）：

set @index = -1

select avg(table.column)

from

(select @index:[email protected]+1 as index, column

from table order by column) as t

where t.index in (floor(@index/2),ceiling(@index/2))

   2）平均數：select avg(distinct column) from table

   3）眾數：select column, count(*) from table group by column order by column desc limit 1(emmm，好像用到count了）

3. 學過的機器學習演算法有哪些

略。

4. 如何避免決策樹過擬合

   1）限制樹深

   2）剪枝

   3）限制葉節點數量

   4）正則化項

   5）增加資料

   6）bagging（subsample、subfeature、低維空間投影）

   7）資料增強（加入有雜質的資料）

   8）早停

5. 樸素貝葉斯的理解

   2）理解：樸素貝葉斯是在已知一些先驗概率的情況下，由果索因的一種方法

   3）其它：樸素的意思是假設了事件相互獨立

6. SVM的優點

   1）優點：

      a. 能應用於非線性可分的情況

      b. 最後分類時由支援向量決定，複雜度取決於支援向量的數目而不是樣本空間的維度，避免了維度災難

      c. 具有魯棒性：因為只使用少量支援向量，抓住關鍵樣本，剔除冗餘樣本

      d. 高維低樣本下效能好，如文字分類

   2）缺點：

      a. 模型訓練複雜度高

      b. 難以適應多分類問題

      c. 核函式選擇沒有較好的方法論

7. Kmeans的原理

   1）初始化k個點

   2）根據距離點歸入k個類中

   3）更新k個類的類中心

   4）重複（2）（3），直到收斂或達到迭代次數

8. 對拼多多有什麼瞭解，為什麼選擇拼多多

略。

9. 口答兩個SQL題（一個跟留存率相關，一個要用到row number）

   1）留存率：略

   2）mysql中設定row number：

SET @row_number = 0; SELECT (@row_number:[email protected]_number + 1) AS num FROM table

10. 業務場景題，如何分析次日留存率下降的問題

   業務問題關鍵是問對問題，然後才是拆解問題去解決。

   1）兩層模型：從使用者畫像、渠道、產品、行為環節等角度細分，明確到底是哪裡的次日留存率下降了

   2）指標拆解：次日留存率 = Σ 次日留存數 / 今日獲客人數

   3）原因分析：

      1）內部：

         a. 運營活動

         b. 產品變動

         c. 技術故障

         d. 設計漏洞（如產生可以擼羊毛的設計）

   2）外部：

      a. 競品

      b. 使用者偏好

      c. 節假日

      d. 社會事件（如產生輿論）

11. 處理需求時的一般思路是什麼，並舉例

   1）明確需求，需求方的目的是什麼

   2）拆解任務

   3）制定可執行方案

   4）推進

   5）驗收

12. 為什麼選擇拼多多

略。

13. 用過拼多多下單沒，感受如何

略。

14. 可以接受單休和加班麼

略。

15. 為啥要選資料分析方向（我簡歷上寫的是資料探勘工程師。。。）

略。

16. 開始聊專案，深究專案，我研究生階段的方向比較偏，所以面試的三分之二時間都是在給他講專案，好在最後他終於聽懂了，thx god、、、

略。

17. hadoop原理和mapreduce原理

   1）Hadoop原理：採用HDFS分散式儲存檔案，MapReduce分解計算，其它先略

   2）MapReduce原理：

      a. map階段：讀取HDFS中的檔案，解析成<k,v>的形式，並對<k,v>進行分割槽（預設一個區），將相同k的value放在一個集合中

      b. reduce階段：將map的輸出copy到不同的reduce節點上，節點對map的輸出進行合併、排序

18. 還有啥問題要問的？於是我出於本能的問了一句“為啥不寫程式碼！” 然後面試官說“時間不夠了。。。。”

略。

19.

現有一個數據庫表Tourists，記錄了某個景點7月份每天來訪遊客的數量如下： id date visits 1 2017-07-01 100 …… 非常巧，id欄位剛好等於日期裡面的幾號。現在請篩選出連續三天都有大於100天的日期。 上面例子的輸出為： date 2017-07-01 ……

解：

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

20.

在一張工資表salary裡面，發現2017-07這個月的性別欄位男m和女f寫反了，請用一個Updae語句修復資料 例如表格資料是： id name gender salary month 1 A m 1000 2017-06 2 B f 1010 2017-06

解：

update salary

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

21.

現有A表，有21個列，第一列id，剩餘列為特徵欄位，列名從d1-d20，共10W條資料！ 另外一個表B稱為模式表，和A表結構一樣，共5W條資料 請找到A表中的特徵符合B表中模式的資料，並記錄下相對應的id 有兩種情況滿足要求： 1 每個特徵列都完全匹配的情況下。 2 最多有一個特徵列不匹配，其他19個特徵列都完全匹配，但哪個列不匹配未知

解：（這題不懂怎麼解）

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

22.

我們把使用者對商品的評分用稀疏向量表示，儲存在資料庫表t裡面： t的欄位有：uid，goods_id，star uid是使用者id；goodsid是商品id；star是使用者對該商品的評分，值為1-5。 現在我們想要計算向量兩兩之間的內積，內積在這裡的語義為：對於兩個不同的使用者，如果他們都對同樣的一批商品打了分，那麼對於這裡面的每個人的分數乘起來，並對這些乘積求和。 例子，資料庫表裡有以下的資料： U0 g0 2 U0 g1 4 U1 g0 3 U1 g1 1 計算後的結果為： U0 U1 2*3+4*1=10 ……

解：

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

23.

微信取消關注分析，題目太長了，沒記錄

略。

24. 統計教授多門課老師數量並輸出每位老師教授課程數統計表

解：設表class中欄位為id，teacher，course

1）統計教授多門課老師數量

select count(*) from class

group by teacher having count(*) > 1

2）輸出每位老師教授課程數統計

select teacher, count(course) as count_course

from class

group by teacher

25. 四個人選舉出一個騎士，統計投票數，並輸出真正的騎士名字

解：設表tabe中欄位為id，knight，vote_knight

select knight from table

group by vote_knight

order by count(vote_knight) limit 1

26. 員工表，宿舍表，部門表，統計出宿舍樓各部門人數表

解：設員工表為employee，欄位為id，employee_name，belong_dormitory_id，belong_department_id；

宿舍表為dormitory，欄位為id，dormitory_number；

部門表為department，欄位為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

27. 給出一堆數和頻數的表格，統計這一堆數中位數

解：設表table中欄位為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)

28. 中位數，三個班級合在一起的一張成績單，統計每個班級成績中位數

解：設表table中欄位為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)

29. 交易表結構為user_id,order_id,pay_time,order_amount

   寫sql查詢過去一個月付款使用者量（提示 使用者量需去重）最高的3天分別是哪幾天

  寫sql查詢做昨天每個使用者最後付款的訂單ID及金額

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

2）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)

30. PV表a(表結構為user_id,goods_id),點選表b(user_id,goods_id),資料量各為50萬條，在防止資料傾斜的情況下，寫一句sql找出兩個表共同的user_id和相應的goods_id

select * from a

where a.user_id exsit (select user_id from b)

（這題不太懂，sql中如何防止資料傾斜）

31. 表結構為user_id,reg_time,age, 寫一句sql按user_id隨機抽樣2000個使用者  寫一句sql取出按各年齡段（每10歲一個分段，如（0,10））分別抽樣1%的使用者

1）隨機抽樣2000個使用者

select * from table order by rand() limit 2000

2）取出各年齡段抽樣1%的使用者

set @target = 0

set @count_user = 0

select @target:[email protected]+10 as age_right, *

from table as t1

where t1.age >[email protected] and t1.age < (@target)

and t1.id in

(select floor(count(*)*0.1） from table as t2

where t1.age >[email protected] and t1.age < (@target)

order by rand() limit ??)

（mysql下按百分比取數沒有想到比較好的方法，因為limit後面不能接變數。想到的方法是先計算出每個年齡段的總數，然後計算出1%是多少，接著給每一行加一個遞增+1的行標，當行標=1%時，結束）

32. 使用者登入日誌表為user_id,log_id,session_id,plat,visit_date 用sql查詢近30天每天平均登入使用者數量  用sql查詢出近30天連續訪問7天以上的使用者數量

1）近三十天每天平均登入使用者數量

select visit_date, count(distince user_id)

group by visit_date

2）近30天連續訪問7天以上的使用者數量

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）

33. 表user_id,visit_date,page_name,plat  統計近7天每天到訪的新使用者數 統計每個訪問渠道plat7天前的新使用者的3日留存率和7日留存率

1）近7天每天到訪的新使用者數

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）每個渠道7天前使用者的3日留存和7日留存

# 三日留存

# 先計算每個平臺7日前的新使用者數量

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