以下大多數都是博主或者博主同事經歷過的面試題喲~關於工作內容的就不寫啦，一些基礎面試題跟大家分享下

多看看面試題也能夠讓你快速瞭解自己的能力和短缺的地方哦~

本篇部落格會持續更新，也希望大家多多提供一些面試題哦~

1、基礎面試

（1） 自我介紹：emmm這個就不多講啦，把大概背景講清楚就可以

（2）自己做過的專案介紹：大家可以選擇最能夠體現自己能力的專案。可以從以下幾個方面來講：

a、簡單介紹下專案

b、自己在專案中的職責及出色業績（貢獻）

c、遇到了哪些問題，如何解決的（如果問題還沒解決，就還是不要說啦哈哈）

d、在這個專案中學到了什麼，比如業務與分析相結合、程式設計能力、團隊合作能力等

（3）解決問題最重要的能力是哪些？

（4）我在專案中總結了哪些技能點？

（5）你在資料探勘中的優勢？

（6）你理解什麼是資料探勘？

2、資料分析與挖掘相關問題（括號內表示被問到的次數哦，有些會提供參考答案，但還是希望大家自己多多研究喔）

以下序號是根據更新狀態來的，所以每個板塊的序號不對應

資料分析與挖掘方面：

（1）為什麼會產生過擬合，有哪些方法可以預防或克服過擬合？(2次)

所謂過擬合（Overfit），是這樣一種現象：一個假設在訓練資料上能夠獲得比其他假設更好的擬合，但是在訓練資料外的資料集上卻不能很好的擬合數據。此時我們就叫這個假設出現了overfit的現象。
過擬合產生的原因：出現這種現象的主要原因是訓練資料中存在噪音或者訓練資料太少。
解決方法：
1、 增大資料量
2、 減少feature個數（人工定義留多少個feature或者演算法選取這些feature）
3、 正則化（留下所有的feature，但對於部分feature定義其parameter非常小）
4、 交叉驗證，重取樣評價模型效能，K折交叉驗證
5、保留一個驗證資料集檢驗

（2）無監督和有監督演算法的區別？

監督學習（supervised learning）：通過已有的訓練樣本（即已知資料以及其對應的輸出）來訓練，從而得到一個最優模型，再利用這個模型將所有新的資料樣本對映為相應的輸出結果，對輸出結果進行簡單的判斷從而實現分類的目的，那麼這個最優模型也就具有了對未知資料進行分類的能力。包括所有的迴歸演算法分類演算法，比如線性迴歸、決策樹、KNN、SVM等
無監督學習（unsupervised learning）：我們事先沒有任何訓練資料樣本，需要直接對資料進行建模。包括所有的聚類演算法，比如k-means 、PCA、 GMM等

（3）tree-base模型是否瞭解，決策樹和隨機森林區別是什麼，樹節點的分裂都有哪些策略（即節點的選擇）

直接說隨機森林是很多棵決策樹組成的，一定程度上能避免過擬合問題。
樹節點分裂：ID3 ： 以資訊增益大小來建立。 
- C4.5 ：　以資訊增益率大小來建立。 
- CART　：　以基尼係數大小來建立。
決策樹的資料最好是離散型的吧？
ID3和C4.5是分型別決策樹，只處理離散型的，CART是分類迴歸都可以做的決策樹，支援所有型別

（7）tf-idf的公式

TFIDF實際上是：TF * IDF
詞頻（term frequency，TF）指的是某一個給定的詞語在該檔案中出現的頻率。
逆向檔案頻率（inverse document frequency，IDF）是一個詞語普遍重要性的度量。某一特定詞語的IDF，可以由總檔案數目除以包含該詞語之檔案的數目。
這邊的例子以上述的數學公式來計算。詞頻 (TF) 是一詞語出現的次數除以該檔案的總詞語數。假如一篇檔案的總詞語數是100個，而詞語“母牛”出現了3次，那麼“母牛”一詞在該檔案中的詞頻就是3/100=0.03。一個計算檔案頻率 (IDF) 的方法是檔案集裡包含的檔案總數除以測定有多少份檔案出現過“母牛”一詞。所以，如果“母牛”一詞在1,000份檔案出現過，而檔案總數是10,000,000份的話，其逆向檔案頻率就是 lg10,000,000 / 1,000)=4。最後的TF-IDF的分數為0.03 * 4=0.12。

（8）維度怎麼擴充套件？

比如時間，那我可能取分段區間。可能單取年份，可能取距離當今多久

（9）特徵怎麼選擇？

確定方差最大化，或者通過分類，尋找特徵差異最大化。其他就是有具體看業務，要跟業務相結合，有統計性的（比如用tfidf轉換行為軌跡），有直接性的（教育、性別等）

（11）分析原因，某產品6月份的平均日活率比7月多很多，請問你會從哪幾方面分析？

回答 思路+方法（以某個信用app為例）

1、活動原因

（1）分析參與活動的使用者的後續行為

（2）分析未參與活動的使用者的同一時間的行為

（3）對比以上兩資料趨勢，如果發現（1）和（2）有明顯不同的趨勢（如1驟降），那可能是活動的原因

2、功能改版

（1）與往期用量對比

3、當期貸款需求變化（不好定，需要專業分析）

4、歷史同期趨勢對比（多個因素組合，可能說服力不強，但是大致可以看下趨勢）

（12）隨機森林裡面用的哪種決策樹？

引數可選gini或者entropy，不用c4.5，因為會剪枝，隨機森林不需要剪枝
https://blog.csdn.net/zhixiongzhao/article/details/72487284

（18）對資料分析中關鍵指標的定義？

我回答：可解釋的指標都是可以的。比如：使用者網站點選率，可以定義為單天的點選次數，也可以定義為一個月的平均點選次數，關鍵看可解釋業務性

（23）邏輯迴歸與線性迴歸的區別？

邏輯迴歸：迭代求解

線性迴歸：直接求解

（24）機器學習是方法，資料探勘是應用

（27）最大似然估計和最小二乘法的區別

（28）假設一個房間有5個嬰兒，性別2男3女，現在加入一個性別未知的嬰兒。此時從這6個嬰兒中，隨機抽取一個，發現是男孩子。問後來加入嬰兒性別是男孩子的概率多大？0.6

具體解題步驟之後會補上哦

（29）例如：一座別墅在過去的 20 年裡一共發生過 2 次被盜，別墅的主人有一條狗，狗平均每週晚上叫 3 次，在盜賊入侵時狗叫的概率被估計為 0.9，問題是：在狗叫的時候發生入侵的概率是多少？貝葉斯公式P(A∩B) = P(A)*P(B|A)=P(B)*P(A|B)。如上公式也可變形為：P(B|A) = P(A|B)*P(B) / P(A)。

我們假設 A 事件為狗在晚上叫，B 為盜賊入侵，則以天為單位統計，P(A) = 3/7，P(B) = 2/(20*365) = 2/7300，P(A|B) = 0.9，按照公式很容易得出結果：P(B|A) = 0.9*(2/7300) / (3/7) = 0.00058

（30）採用EM演算法求解的模型有哪些？為什麼不用牛頓法或者梯度下降法？

一般有混合高斯、協同過濾、k-means。演算法一定會收斂，但是可能會收斂到區域性最優。求和的項數會隨著隱變數的數目指數上升，會給梯度計算帶來麻煩。EM演算法是一種非梯度優化演算法。

（31）用EM演算法推導解釋K-means

k-means演算法是高斯混合聚類在混合成分方差相等，且每個樣本僅指派一個混合成分時候的特例。k-means演算法與EM演算法的關係是這樣的：
· k-means是兩個步驟交替進行:確定中心點，對每個樣本選擇最近中心點--> E步和M步。
· E步中將每個點選擇最近的類優化目標函式，分給中心距它最近的類(硬分配)，可以看成是EM演算法中E步(軟分配)的近似。
· M步中更新每個類的中心點，可以認為是在「各類分佈均為單位方差的高斯分佈」的假設下，最大化似然值； 

（32）如何進行特徵選擇？

（33）SVM和LR的區別

資料庫方面：

（6）有什麼sql調優的手段，瞭解多少

索引、條件先後等等，具體可自行百度sql調優方法

（10）sql，多個班級，取不同班級的每個班級的前3名（3次）

sql是rownumber：

select * from

(select row_number() over (partition by class order by score desc) 排名,* from sc) t

where 排名<=3 order by class asc,score desc

mysql用定義變數的方式：

SELECT * from (

SELECT @x:=if([email protected],@x+1,1) rn,@y:= b.cla , b.* from 
(SELECT @x:=0,@y:='' )a
JOIN
(SELECT * from class order by cla,grade desc )b ) d where d.rn<4

（13）資料庫時間轉換函式

dataformat是時間轉字串   unix_timestamp時間轉時間戳  str_to_date字串轉時間   unix_timestamp字串轉時間戳

（14）當出現數據重複時，用最簡單的方法查詢出哪些資料重複

資料量小時，group by count（1）大於1的
資料量大時，用rownumber(針對sql)

（15）什麼情況下索引會失效，假設欄位A加了索引

只要索引的欄位A不是  A >,<,=之類的，都會失效。比如兩個欄位 A 和 B，A上有索引，查詢條件如果是 where A = < > XXX就不會失效，即失效的意思是不用索引，不是異常等問題。當然，還有別的，，，比如索引不能這麼寫  where B = xxx and A = 0，因為索引欄位要優先被查詢。（只有  [><]?= 這種模式）
而且>和<也只能在樹索引等有序索引上起作用，如果索引是hash索引，就只能用=

（16）三張表，查詢部門薪水最高的？

 #方法一
SELECT dname,sum(salary) s from (
SELECT a.*,b.salary from (
SELECT n.id,n.name,d.dname from ntable n ,dtable d where n.dpid = d.did  )a,stable b where a.id = b.id)c GROUP BY dname ORDER BY s desc
#方法二 left join 
SELECT dname,sum(salary) s from (
SELECT n.id,n.name,d.dname,s.salary from ntable n LEFT JOIN dtable d on n.dpid = d.did LEFT JOIN stable s on n.id = s.id) 
a GROUP BY dname ORDER BY s desc
或者
SELECT d.dname,sum(s.salary)s from ntable n LEFT JOIN dtable d on n.dpid = d.did LEFT JOIN stable s on n.id = s.id 
GROUP BY d.dname ORDER BY s desc
#方法三  inner join
SELECT d.dname,sum(s.salary) s FROM (ntable n INNER JOIN dtable d ON n.dpid =d.did) INNER JOIN stable s ON n.id=s.id GROUP BY d.dname ORDER BY s desc
#方法四 join
SELECT d.dname,sum(s.salary) s FROM (ntable n  JOIN dtable d ON n.dpid =d.did)  JOIN stable s ON n.id=s.id GROUP BY d.dname ORDER BY s desc

（19）mysql 關於join的用法與區別（left join right join 等）

舉個例子說明區別就可以

（20）主鍵重複插入更新replace into 或者on duplicate key update

https://www.cnblogs.com/chenmh/p/5392540.html

（21）資料庫的外建的作用是什麼？

聯表查詢

（22）什麼是左連線，右連線？

Left join  right join，具體可自行百度

數倉方面：

（17）數倉的過程，瞭解數倉嗎？數倉用什麼搭建的？（2次）

關於數倉的問題，之後還會有個專題詳解哦

（25）Etl的緩慢資料維

資料開發方面：

（4）有序陣列查詢用什麼方法？

二分查詢，時間複雜度log2n,（是以2為底，n的對數）

（5）list和tuple的區別

List是可變物件，tuple是不可變，tuple的效能好，效率高

（26）為什麼要使用裝飾器