秋招数分/数仓面经

就个人经验分享一下在秋招中的一些菜鸡的面试经验，作为个人总结记录，也希望能够帮助到大家以后的一些面试。

一、数据分析

一般数分的面试分为三场，一面看对简历的剖析以及涉及到的专业知识的掌握程度，二面看对业务的理解能力，三面一般是hr面。主要分享下碰到的问题以及涉及到的知识。

一面

统计：（不是特别记得，因为不太会hhhhhh

1、常见的概率分布，举例子

2、介绍一下正态分布

3、幂律分布

4、置信区间，哪些场景会用到？

5、极大似然估计

6、假设检验介绍

7、中心极限定理

8、大数定律

9、多重共线性

10、线性回归假设

11、显著性相关知识（跟abtest相关的东西都要搞明白

机器学习or Python：（一般针对的是简历中所写到的一些方法，必须了解方法原理、类似方法以及优化方法

1、过拟合，以及如何解决

2、bagging和boosting区别

3、简单介绍一下逻辑回归

4、xgboost与lgb有什么区别

5、数据标准化以及归一化，作用是什么

6、模型评估方法（有被问到过如何用sql算AUC，要懂得计算原理才能更好的写sql

7、python常用包，pandas切片

8、正则化是目标函数的哪一部分，加入正则化的理由是？

9、kmeans的具体过程？为什么用kmeans？是否有了解过优化方法？kmeans和dbscan的区别？（这是因为简历中有提到kmeans

10、怎么用朴素的语言介绍机器学习

11、python中字符的类型

12、缺失值、异常值、数据分箱等

13、特征构建、特征选择

14、独热编码、目标编码

15、介绍下你了解的一些算法

15、简单介绍LSTM，与RNN有什么区别（简历

16、最短路径方法有哪些？那dijkstra能介绍一下吗？（简历，说到啥问啥，坑爹，祸从口出...

问到的机器学习类问题不是特别多，但都比较基础，熟悉一下常见算法的原理和优缺点感觉就够了...吧...

sql：（数分的sql不会问的特别深入，主要问的比较基本

1、sql执行顺序

2、常用的窗口函数/排序函数，说说她们的区别

3、平时用什么优化方法

4、数据库的索引问题（比较浅，简单提一下干嘛用的，有什么类型，每个类型是干嘛的差不多就可以点到为止了...

5、count(1) count(*) count(列名)的区别

6、行转列、列转行（常考，这个必须要记住一种方法，数分一般都是问一问，所以口头上能答出来即可

7、数据库范式（三范式每个举一个例子，这样更好理解，也能让面试官知道你是了解的。常见的就是学号、学院、校长的例子

一面总结：

从自己面试的经验感觉到，一面最重要的是对自己简历的熟悉程度，以及你对简历的梳理是需要符合数据分析师的逻辑的。因为数分其实也有业务向的和技术向的，在面试前需要去仔细看看JD是偏向哪个方向，对于业务向的需要更多的发散自己产品的思维和对指标的感受，更好的去准备简历里的东西，如果是技术向的，就要更多的去复习一下机器学习方面的知识，以及思考机器学习如何为业务赋能。

我的话其实产品感比较弱，量化能力也比较差，感觉这个也不是一时半会能培养出来的hhhh，如果有时间的话，可以多看一下“人人都是产品经理”，去了解下企业的文化、产品，平时也可以多累积累积数据分析师常用的话术啥的。然后一面的话一般都是同事或者之后的直属领导，问的问题不会太刁钻或者太难思考，比较基础，不要太紧张，自信一点，胡诌一下就好啦。

然后我一面挂的也挺多，总结一下有一下一些原因：1）对自己的简历把握不够，没有做额外的延申；2）叙述简历项目时没有加入自己的思考，只是叙述，且无法量化指标（说实话我的实习能做到的都是每个项目中的一小环，如果不加入自己的思考，就会显得经历很单薄，其次数分很看重指标和量化，需要清楚的用一个指标去衡量）；3）方向不符合，问的都是好难的机器学习555