数据分析面经-问答③

一定一定会有简历项目深挖，面试前仔细从头回顾一遍自己做的项目，你的思路、实现、遇到的问题、如何解决，绝对不要让面试官觉得你项目就是复制黏贴，自己啥也不会的

能接受的工作强度

根据自己心里预期来，可以接受加班但是要合理，必要性工作以及加班补贴

和老板意见不合怎么办

先吹老板，说老板的战略眼光肯定远，他的想法是有道理的，和老板沟通交流想法

然后说自己，老板的意见要求是否不符合实际、实现难度大等，业务细节老板是不是不清楚等

最后就是老板意见作为参考，自己根据具体进行分析，出了分析结果再和老板协调（记住你是数据分析师，老板是要你给意见的）

举例pandas中的常见函数（GPT回答仅供参考）

pd.read_csv(): 从 CSV 文件中读取数据并创建 DataFrame

df.head(), df.tail(): 分别显示 DataFrame 的前几行和后几行数据

df.info(): 显示 DataFrame 的基本信息，包括列名、非空值数量、数据类型等

df.describe(): 显示数值型列的统计信息，包括均值、标准差、最小值、最大值等

df['column_name']: 选择指定列的数据

df.dropna(): 删除包含缺失值的行或列

df.fillna(value): 将缺失值填充为指定的值

df.sort_values(): 根据指定列的值对 DataFrame 进行排序

df.groupby(): 按照指定的列进行分组，并进行聚合操作

pd.concat(), pd.merge(): 合并多个 DataFrame

df.to_csv(), df.to_excel(): 将 DataFrame 中的数据导出到 CSV 文件或 Excel 文件

df.transpose()：实现行列转化

怎样实现聚合

使用 groupby() 方法按照一个或多个列名对数据进行分组

可以使用聚合函数对分组后的数据进行统计、计算等操作。常见的聚合函数包括 sum()、mean()、max()、min()

分组后reset_index() 是为了重新设置索引，将分组的列变为普通列

还可以自定义聚合函数

使用.agg() 方法应用聚合函数【.apply() 可以用于任意函数的应用，可以是聚合函数也可以是自定义函数，适用于对整个 DataFrame 或 Series 进行逐元素操作】

了解数据埋点吗？（看jd有没有这方面要求，有的话需要准备）

总部给你下发作业之后，下面的人觉得没有用，该怎么处理

先和团队成员沟通，了解原因，听取意见

共同分析作业的目的和意义，明白作业的重要性，如果和实际业务无关向总部反馈

提供支持和帮助，给与激励和认可

如何实现随机hash分桶（GPT回答仅供参考）

你认为数据分析师有什么重要的特点，你怎样匹配

分析思维，掌握了分析技能和分析方法，懂得多方向思考，维度下钻，反向思考，指标拆分

数据敏感度，能够理解数据的关键趋势和一场

分析工具，包括数据分析和可视化工具，如python、SQL、BI工具

跨部门沟通，需要和多个部门对接，个人有过承办赛事和其他部门对接的经历，充当团队项目中和组员、指导老师的沟通桥梁

持续学习，一直在学，目前先学习业务基础，再丰富知识框架和体系

为啥没有实习经验？

大一大二没明确感兴趣的方向，大三碰到好老师就对数据分析有了兴趣，但是当时还在犹豫是考研还是实习，后面发现自己不太喜欢埋头学习，就打算就业了，后面暑期实习来不及投了，就只能先去学习数分相关的知识了

怎么学数分的？

csdn上先查，发现大多是实战和可视化，没有学习体系，就去了B站找相关up主看视频教程，先把大致学习步骤了解了。后面就去详细学sql了嘛（python一直在用，数据库隔了有点久不太会了），一边练sql一边学数分思维数分方法，学了下excel和BI工具，后面找项目实战的时候了解到数分学习平台kaggle和和鲸，就先跟着做项目

中位数，众数的特点和用途

中位数（找中间）不受极端值（异常值）影响，在对称分布的数据中与均值接近，但在非对称分布情况下中位数更能反映数据的典型值

用途：通常用来描述数据集的中间值，特别是在数据集中包含异常值或偏斜时更为适用，比如收入、房价等，用来代表典型的个体或家庭所处的经济水平，而不受到极端富裕或贫困家庭的影响

众数（找集中）数据集中出现频率最高的值，可能有一个众数（单峰分布）或多个众数（多峰分布），直接反映了数据集中最常见的数值

用途：描述数据集的集中趋势，尤其是分类数据或具有明显集中倾向的连续数据时，在市场调研、产品销量分析等领域中，众数可用来识别最受欢迎的选项或最常出现的情况

除了方差分析还有什么统计模型（统计学的同学应该被问得多，我软件工程就学了个概率论应该不会被问吧==）

线性回归，逻辑回归，时间序列，因子分析，聚类分析，贝叶斯网络模型

归因分析有哪些技术（本人不熟悉的范畴，可以简单了解一下）

线性归因，时间序列归因，路径归因，机会归因，因果推断归因