数据分析

25秋招-拼多多数据分析岗，回忆版，记不太全了一面：1.三道SQL题——涉及时间戳、字符串拆分转列2.介绍实习时做的项目，深挖项目3.假设检验实验周期怎么计算4.怎么判断是否是小概率事件5.中心极限定理6.统计不显著，实际有轻微负向，怎么理解7.乘法型指标怎么计算贡献度二面：1.SQL--店铺某年GMV降序排列，均分成十份2.提高用户粘性的方案3.AB实验的流程，结合自己的项目讲一下4.t检验和z检验的区别三面：1.SQL--一串数字id从小到大，连续数字为一组，找每组的最后一个id及该组id个数2.深挖项目四面：hr面，问了一些个人基本情况感受：整体不难，而且感觉要求不高。比较注重SQL和数据统计知识。我写SQL写的最多的一家，笔试三道，三轮技术面每面都要SQL，而且又偏又难。一面和三面面试官都肉眼可见的疲惫...#数据分析##面经##攒人品##拼多多#

👥面试题目一个商场的客流量符合什么分布？ 怎么判断数据是否符合这个分布？有哪些方法？这个问题考察的是统计学中的数据分布识别以及假设检验的知识。在数据分析领域，理解数据的分布是非常重要的一步，因为它能够帮助我们更好地建模和预测。对于商场客流量这种场景，了解其分布可以帮助商场管理层优化资源配置、提高顾客满意度以及提升销售业绩。为了准确回答这个问题，我们需要从以下几个方面来考虑：数据分布类型：识别可能适用的统计分布。数据可视化：利用图表直观展示数据特征。统计测试：运用适当的统计方法验证数据是否符合假设的分布。随机森林、逻辑回归原理，如何做特征筛选，评价指标这个问题主要涉及机器学习中的两种常见算法——随机森林和逻辑回归，以及特征选择和模型评估指标的相关知识。我们需要从以下几个方面来进行详细的探讨：算法原理：介绍随机森林和逻辑回归的基本概念和工作原理。特征选择：探讨如何在机器学习任务中挑选最有影响力的特征。评价指标：讲解用于评估分类模型性能的不同指标及其应用场景。AB 实验样本不平衡怎么办这个问题主要考察的是在进行 A/B 测试（也称为 AB 实验）时如何处理样本不平衡的情况。样本不平衡指的是实验组和对照组之间样本数量存在显著差异，这种情况可能会导致实验结果的偏差或不准确。解决样本不平衡问题的方法涉及统计学、实验设计以及数据分析等多个方面。数据分析、数据挖掘、数据建模的区别这个问题主要考察的是对数据分析、数据挖掘和数据建模这三个概念的理解及其区别。这三个术语在数据科学领域经常被提及，但它们各自侧重的方向有所不同。回答这类问题时，可以从定义出发，明确每个概念的核心内容，并强调它们之间的联系与区别。什么是 AA 测试，为什么要进行这个问题主要考察的是对A/A测试（A/A Testing）的理解及其在数据科学和实验设计中的应用。具体来说，这个问题涵盖了以下几个方面的知识：实验设计：理解A/A测试的概念及其在实验设计中的作用。统计原理：掌握基本的统计原理，特别是如何评估实验的可靠性和有效性。数据验证：了解如何通过A/A测试来验证数据收集和分析过程的准确性。实际应用：探讨A/A测试在实际项目中的具体应用及其重要性。 #面经深度解析#  #数据分析#  #网易#  #秋招#  #面试#

👥面试题目一副扑克牌 54 张分成等额 6 份大小王在同一份牌里的概率?本问题主要考察的是组合数学和概率理论的知识点，具体涉及：组合数学：用于计算所有可能的分牌方式以及目标事件（大小王在同一份牌中）的出现次数。概率理论：用来计算特定事件（大小王在同一份牌中）发生的可能性。逻辑回归的原理，应用场景以及优缺点？当我们探讨逻辑回归的原理、应用场景及优缺点时，我们实际上是在考察以下几个核心知识点：统计学习理论：理解逻辑回归作为一种监督学习方法的工作机制。概率论与数理统计：掌握Sigmoid函数和最大似然估计等统计概念。机器学习模型评价：了解模型的选择、性能评估以及适用场景。数据科学实践：在实际项目中运用逻辑回归解决分类问题的经验。估算 2022 年新生儿数量？考察的知识点：数据分析与预测：理解如何使用现有数据和趋势来做出合理的预测。人口统计学：了解人口增长模式、生育率以及影响新生儿数量的因素。数据获取与处理：知道如何从公开资源获取数据，以及如何处理和分析这些数据以得出结论。经济与社会因素：考虑经济状况、政策变动、文化趋势等对生育率的影响。需要从哪些方面来作答：数据源：确认可靠的官方或研究机构发布的数据。历史趋势：分析过去几年的新生儿数量，识别模式或趋势。影响因素：考虑经济、政策、文化等外部因素对新生儿数量的影响。预测模型：介绍可能使用到的预测方法，如时间序列分析、ARIMA模型或其他统计预测技术。不确定性分析：讨论预测的不确定性，包括误差范围或置信区间。估算北京地铁一天的客流量考察的知识点：时间序列分析：理解如何分析时间序列数据，特别是如何识别趋势、周期性和季节性模式。数据整合：从不同来源收集数据并进行整合分析。数学建模：构建数学模型来估算或预测特定时间段内的数据。统计方法：应用统计方法来处理和分析数据，如均值、标准差等。需要从哪些方面来作答：历史数据：分析过去几年北京地铁的日均客流量数据。特殊事件：考虑节假日、特殊活动对客流量的影响。季节性波动：识别一年中不同月份或星期中客流量的周期性变化。趋势分析：识别长期趋势，如年增长率或下降率。预测模型：可能使用的时间序列预测模型，如ARIMA、指数平滑等。说一下假设检验考察的知识点：统计推断：理解假设检验作为统计推断的一部分，如何帮助我们在样本数据的基础上对总体参数做出推断。假设检验框架：熟悉假设检验的基本步骤和概念，包括零假设和备择假设、检验统计量、显著性水平、p值等。决策规则：掌握如何根据检验结果做出接受或拒绝原假设的决策。假设检验类型：了解不同类型假设检验（如t检验、卡方检验、ANOVA等）及其适用场景。需要从哪些方面来作答：基本概念：解释假设检验的目的和作用。检验流程：描述假设检验的一般步骤。关键术语：定义零假设、备择假设、检验统计量、显著性水平、p值等。决策规则：说明如何基于检验结果做出决策。常见误区：讨论在执行假设检验时常见的误解和陷阱。使用过哪些算法模型，用过 K-means 和 KNN 算法吗?考察的知识点：聚类分析：K-means算法属于无监督学习，用于数据的聚类分析。分类算法：KNN（K-Nearest Neighbors）算法属于监督学习，用于分类和回归任务。算法原理：理解K-means和KNN算法的工作原理、适用场景以及优缺点。实施经验：分享在实际项目中应用这两种算法的经验，包括数据预处理、参数调优和模型评估。需要从哪些方面来作答：算法原理：简述K-means和KNN算法的基本概念和工作流程。应用场景：举例说明K-means和KNN算法在不同领域的应用案例。优缺点：对比两种算法的特点，包括它们的优势和局限性。实践经验：分享在实际数据分析项目中使用这两种算法的经历和教训。 #数据分析#  #秋招#  #字节跳动#  #面经#