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~
本篇博客會持續更新，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）自己做過的項目介紹：大家可以選擇最能夠體現自己能力的項目。可以從以下幾個方面來講：
a、簡單介紹下項目
b、自己在項目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、在這個項目中學到了什麼，比如業務與分析相結合、編程能力、團隊合作能力等
（3）解決問題最重要的能力是哪些？
（4）我在項目中總結了哪些技能點？
（5）你在數據挖掘中的優勢？
（6）你理解什麼是數據挖掘？
2、數據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
一、數據分析與挖掘方面：
（1）爲什麼會產生過擬合，有哪些方法可以預防或克服過擬合？(5次)
所謂過擬合（Overfit），是這樣一種現象：一個假設在訓練數據上能夠獲得比其他假設更好的擬合，但是在訓練數據外的數據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數據中存在噪音或者訓練數據太少。
解決方法：
1、 增大數據量
2、 減少feature個數（人工定義留多少個feature或者算法選取這些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，重採樣評價模型效能，K折交叉驗證
5、保留一個驗證數據集檢驗
注意：幾乎所有的集成模型都是爲了防止過擬合的，他們的思想都可以拿來說
（2）無監督和有監督算法的區別？
監督學習（supervised learning）：通過已有的訓練樣本（即已知數據以及其對應的輸出）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數據樣本映射爲相應的輸出結果，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數據進行分類的能力。包括所有的迴歸算法分類算法，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數據樣本，需要直接對數據進行建模。包括所有的聚類算法，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 ： 以信息增益大小來建立。
- C4.5 ： 以信息增益率大小來建立。
- CART ： 以基尼係數大小來建立。
決策樹的數據最好是離散型的吧？
ID3，只處理離散型的，C4.5可以直接處理連續值和離散值，CART是分類迴歸都可以做的決策樹，支持所有類型
（4）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文件中出現的頻率。
逆向文件頻率（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，可以由總文件數目除以包含該詞語之文件的數目。
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文件的總詞語數。假如一篇文件的總詞語數是100個，而詞語“母牛”出現了3次，那麼“母牛”一詞在該文件中的詞頻就是3/100=0.03。一個計算文件頻率 (IDF) 的方法是文件集裏包含的文件總數除以測定有多少份文件出現過“母牛”一詞。所以，如果“母牛”一詞在1,000份文件出現過，而文件總數是10,000,000份的話，其逆向文件頻率就是 lg10,000,000 / 1,000)=4。最後的TF-IDF的分數爲0.03 * 4=0.12。
（5）維度怎麼擴展？
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
（6）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轉換行爲軌跡），有直接性的（教育、性別等）
（7）隨機森林裏面用的哪種決策樹？
參數可選gini或者entropy，不用c4.5，因爲會剪枝，隨機森林不需要剪枝
https://blog.csdn.net/zhixiongzhao/article/details/72487284
（8）對數據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：用戶網站點擊率，可以定義爲單天的點擊次數，也可以定義爲一個月的平均點擊次數，關鍵看可解釋業務性
（9）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
（10）機器學習是方法，數據挖掘是應用
（11）最大似然估計和最小二乘法的區別
http://blog.csdn.net/lu597203933/article/details/45032607
（12）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
（把題目換成，很容易想到貝葉斯--
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（性別分佈爲男p女1-p）。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？（用p表示）））
具體解題步驟：參考鏈接https://zhidao.baidu.com/question/264525694500522765.html
（13）例如：一座別墅在過去的 20 年裏一共發生過 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爲 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)。如上公式也可變形爲：P(B|A) = P(A|B)*P(B) / P(A)。
我們假設 A 事件爲狗在晚上叫，B 爲盜賊入侵，則以天爲單位統計，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
（14）採用EM算法求解的模型有哪些？爲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。算法一定會收斂，但是可能會收斂到局部最優。求和的項數會隨着隱變量的數目指數上升，會給梯度計算帶來麻煩。EM算法是一種非梯度優化算法。
（15）用EM算法推導解釋K-means
k-means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算法與EM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數，分給中心距它最近的類(硬分配)，可以看成是EM算法中E步(軟分配)的近似。
· M步中更新每個類的中心點，可以認爲是在「各類分佈均爲單位方差的高斯分佈」的假設下，最大化似然值；
（16）如何進行特徵選擇？
https://www.zhihu.com/question/28641663/answer/41653367
（17）SVM和LR的區別
http://blog.csdn.net/yan456jie/article/details/52524942
（18）邏輯迴歸爲什麼用sigmod，不用其他函數？
答：1、sigmod 本身的性質：
a、輸出範圍有限，數據在傳遞的過程中不容易發散。
b、輸出範圍爲(0,1)，所以可以用作輸出層，輸出表示概率。
c、抑制兩頭，對中間細微變化敏感，對分類有利。
2、之所以LR 用sigmod，不是因爲LR 選擇了 sigmod ，而是用 指數簇分佈和 最大熵原理 推導出來的形式，就是這個樣子，後來起名叫sigmod
（19）：邏輯迴歸的係數想要都是正數，應該怎能做？
答：比如你訓練好的模型是y = x1 - x2，這時候x2的係數是負數，然後你只要把樣本x2這個維度的數字全取-j就好了，重新再次訓練就全是正數了（大牛說這是一個sb操作）
（20）：樣本不平衡處理方法？（好多次）
答：
a、負樣本少，就複製到一定比例
b、或者把正樣本刪除一部分
c、分段逐一訓練（舉例：正樣本10000，負樣本1000，將正樣本隨機分成10份，每份1000，然後拿着負樣本的1000與正樣本的每一份進行訓練，最後進行融合選擇）
d、模型參數調權重（模型裏面有個參數可以調整樣本權重）
e、交叉驗證
f、根據樣本隨機構造新的樣本
（21）連續值轉換爲離散值，有什麼辦法，比如年齡？（好多次）
答：
- 根據業務知識區分
- 根據pandas下面qcut和cut方法進行等頻或等寬處理
- 風控中 可以根據woe和iv 或者卡方檢驗
- 用聚類來做最優化尺度（沒試過）
（22）現金貸團伙作案，你有什麼算法或方法去識別
答：從規則角度上講：可以從ip，通訊錄共同聯繫人，設備指紋等信息上分析
從模型角度講：根據上面的特徵，可以通過聚類來分羣
（23）關於風控的指標？woe和iv公式，評分卡原理
（24）假如現在有一個數據分析需求，你會怎麼做？先跟需求方確認需求（需要達成一致），然後確定元數據缺失情況，確定缺失原因和補救方法，然後進行數據提取，分析，分析過程中可跟需求方保持溝通，然後分析完後將結果呈現給需求方，再次與需求方溝通，增刪改查。
（25）假如現在有一個項目需要你建模，你會怎麼做？回答建模過程即可
（26）邏輯迴歸的結果 0.8表示什麼？這個面試官是個傻逼嗎，直接這麼問，先問清楚是幾分類，然後問這個0.8是在哪個index上的。
（27）你在建模過程中遇到過什麼困難？（很多次）樣本不平衡問題（然後回答解決辦法），樣本過擬合問題（然後回答解決辦法），準確率不高（結合更換特徵，模型調參，換模型等思路回答）
（28）Bagging和Boosting的區別：
參考鏈接：https://blog.csdn.net/shaiguchun9503/article/details/82700036
（29）某人對一目標進行射擊，每次命中率都是0.25，若使至少命中1次的概率不小於0.75，至少應射擊幾次？
解：設應該射擊n次,則在這n次射擊中,命中的次數用X表示,則
X服從B(n,0.25)的二項分佈,則至少一次命中的概率
P=1-都不中的概率=1-0.75^n
解1-0.75^n>=0.75 得n>=5.所以應該射擊5次
（30）KS指標、混淆矩陣、roc曲線、AUC的定義。
參考鏈接：https://blog.csdn.net/sinat_30316741/article/details/105491746
（31）申請評分卡原理和開發，包括計算公式等。
見 自己整理好的評分卡相關文檔
二、數據分析方面：
（1）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爲例）
答：1、活動原因
（1）分析參與活動的用戶的後續行爲
（2）分析未參與活動的用戶的同一時間的行爲
（3）對比以上兩數據趨勢，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）
（2）流失用戶怎麼定義的？如何用數據做正確定義？
答：第一種方法：拐點理論：根據用戶留存判斷，即到多少天之後，留存用戶比例開始穩定，則這一段時間就是 流失用戶週期。用戶回訪率拐點（用戶回訪率 = 回訪用戶數 ÷ 流失用戶數 × 100%）
其他：
a、https://www.zhihu.com/question/68029067 此種方法可用於預測 一個用戶是否即將成爲流失用戶
（3）用戶生命週期怎麼定義？
答：參考鏈接：https://blog.csdn.net/k7Jz78GeJJ/article/details/79434904
（4）資源位推薦，假如一個app首頁，有一個九宮格，你知道每個九宮格的點擊率，付費用戶數，付費金額等相關指標，你會怎麼做推薦？
答：首先需要關注評價指標，其次如果某一個九宮格的付費轉化率顯著高於其他的格子，則將用戶往這個格子推。其他情況另議。（沒有準確答案）
（5） 以淘寶爲例，怎麼分析一個店鋪運營了2-3年，仍然沒有很多流量（瀏覽量，成交量等指標都不高），前提是你可以拿到淘寶的所有數據？
答：1. 是否用了淘寶的運營手段（買流量、參與淘寶活動）
2. 當前店鋪的曝光量是多少，處於淘寶整個板塊的哪一列
3. 同類型店鋪比較分析，包括款式，質量，店鋪評價，好評率，價格，上新頻率，客服響應速度等等
……
主要可以嘗試控制變量，應該先羅列出全部的主要影響因素，控制住其他變量差不多的情況下，比入看看相似店鋪的流量是否受價格影響比較大。
接下去延伸一下新的問題，剛剛提到了控制變量，假變量是 流量分發、價格、店鋪外觀、店鋪年齡、好評率、店鋪產品豐富程度 等。
在實際問題中控制變量會碰到以下問題——
1. 外觀、產品豐富程度 等主觀因素如何量化評價；
2. 這麼多因素，一旦控制變量進行篩選，很可能與你店鋪相似的一個也沒有或者只有少量幾個。這時候統計分析價值不大。
引申：
如何判斷是不是價格問題導致別人不買你的商品？
答：控制變量：在保持同樣品牌競爭力、功能、人工交流的情況下，觀察顧客買什麼。
面試官給的回答：同一個產品，如果一個用戶在高價鏈接的頁面看了又看，看了很久，結果去價格低的那個鏈接買了，基本說明是價格問題。
（6）數據組給定一批用戶供運營做活動，結果是 這批用戶的充值金額提升10%，請問如何判斷是運營的功勞還是數據分析的功勞，怎麼處理其他非特定用戶（是不是 其他非特定用戶 做相應活動，也能起到一定效果呢？是否需要一起做活動），（即在問需要控制哪些因素）
可以通過做A/Btest來判斷，一組是運營根據經驗獲取的名單，一組是根據模型跑出來的名單，然後分別做相同的營銷活動，分析活動結果。
（7）如何做A/Btest，需要注意哪些東西？
（8）增長黑客模型（AARRR）、AIPLA模型、RFM模型
（9）如果老闆需要你針對現在平臺（高鐵app）的數據區分 不同層級的用戶，做不同的營銷，你會怎麼做（其實可以轉換爲用戶畫像）？
第一種方法：結合RFM模型（最近一次購買的時間、購買頻率、金額）和聚類計算得出不同族羣的用戶特徵，然後根據不同客戶羣體做不同的營銷。
參考鏈接：https://blog.csdn.net/wanglingli95/article/details/79444432
第二種：根據用戶基礎信息、購票記錄、金額、頻次以及其他版塊的交易情況特徵製作用戶畫像
三、數據庫方面：
（1）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
（2）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用定義變量的方式：
SELECT * from (
SELECT @x:=if(b.cla=@y,@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
（3）數據庫時間轉換函數
dataformat是時間轉字符串 unix_timestamp字符串時間轉時間戳 str_to_date字符串轉時間
（4）當出現數據重複時，用最簡單的方法查詢出哪些數據重複
數據量小時，group by count（1）大於1的
數據量大時，用rownumber(針對sql)
（5）什麼情況下索引會失效，假設字段A加了索引？或者 瞭解mysql的索引嗎？（2次）
只要索引的字段A不是 A >,<,=之類的，都會失效。比如兩個字段 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，因爲索引字段要優先被查找。（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=
參考鏈接：https://www.cnblogs.com/shynshyn/p/7887742.html
（6）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
（7）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
（8）主鍵重複插入更新
replace into 或者on duplicate key update
https://www.cnblogs.com/chenmh/p/5392540.html
（9）數據庫的外建的作用是什麼？
聯表查詢
（10）什麼是左連接，右連接？
Left join right join，具體可自行百度
（11）hive數據傾斜有哪幾種原因造成，解決方法是什麼？
參考鏈接：https://blog.csdn.net/qq_36330643/article/details/82320194
數倉方面：
（11）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
（12）Etl的緩慢數據維
http://blog.csdn.net/ye1142262478/article/details/58589078
四、數據開發方面：
（1）有序數組查找用什麼方法？
二分查找，時間複雜度log2n,（是以2爲底，n的對數）
（2）list和tuple的區別
List是可變對象，tuple是不可變，tuple的性能好，效率高
（3）爲什麼要使用裝飾器
http://python.jobbole.com/85393/