7 道常見的數據分析面試題

數據分析師近幾年在國內互聯網圈越來越火，很多開發都因為薪資和發展前景，希望轉行到數據分析崗。今天，我們就來聊聊面試數據分析師的那些事。

其實，數據分析能力是每個互聯網人的必備技能，哪怕你沒有轉行數據分析師的計劃，也推薦你看看這個文章，提升你的數據能力。

數據分析的能力要求

與數據分析相關的工作有一個特質，就是對數字非常敏感，同時也要求對數據具有良好的思考能力，比如說如何用數據指導業務，如何將數據呈現在報告中。

在面試的時候，面試官通常會考察以下三個維度的能力：

1. 理論知識（概率統計、概率分析等）

掌握與數據分析相關的演算法是演算法工程師必備的能力，如果你面試的是和演算法相關的工作，那麼面試官一定會問你和演算法相關的問題。比如常用的數據挖掘演算法都有哪些，EM 演算法和 K-Means 演算法的區別和相同之處有哪些等。

有些分析師的工作還需要有一定的數學基礎，比如概率論與數理統計，最優化原理等。這些知識在演算法優化中會用到。

除此以外，一些數據工程師的工作更偏向於前期的數據預處理，比如 ETL 工程師。這個職位考察你對數據清洗、數據集成的能力。雖然它們不是數據分析的「煉金」環節，卻在數據分析過程中佔了 80% 的時間。

數據集成的兩種架構方式

2. 具體工具（sklearn、Python、Numpy、Pandas 等）

工程師一定需要掌握工具，你通常可以從 JD 中了解一家公司採用的工具有哪些。如果你做的是和演算法相關的工作，最好還是掌握一門語言，Python 語言最適合不過，還需要對 Python 的工具，比如 Numpy、Pandas、sklearn 有一定的了解。

數據 ETL 工程師還需要掌握 ETL 工具，比如 Kettle。

如果是數據可視化工作，需要掌握數據可視化工具，比如 Python 可視化，Tableau 等。

如果工作和數據採集相關，你也需要掌握數據採集工具，比如 Python 爬蟲、八爪魚。

如何用八抓魚做數據採集？

3. 業務能力（數據思維）

數據分析的本質是要對業務有幫助。因此數據分析有一個很重要的知識點就是用戶畫像。

用戶畫像是企業業務中用到比較多的場景，對於數據分析來說，就是對數據進行標籤化，實際上這是一種抽象能力。

用戶畫像建模

題目

作為實力檢測的一部分，筆試是非常重要的一個環節。它可以直接測驗你對數據分析具體理論的掌握程度和動手操作的能力。我出了幾道簡單的題，你不妨來看下。

問答題

1. 用一種編程語言，實現 1+2+3+4+5+…+100。

這道題考察的就是語言基礎，你可以用自己熟悉的語言完成這道題，比如 Python、Java、PHP、C++ 等。這裡我用 Python 舉例：

複製代碼

sum = 0for number in range(1,101): sum = sum + numberprint(sum)

2. 如何理解過擬合？

過擬合和欠擬合一樣，都是數據挖掘的基本概念。過擬合指的就是數據訓練得太好，在實際的測試環境中可能會產生錯誤，所以適當的剪枝對數據挖掘演算法來說也是很重要的。

欠擬合則是指機器學習得不充分，數據樣本太少，不足以讓機器形成自我認知。

3. 為什麼說樸素貝葉斯是「樸素」的？

樸素貝葉斯是一種簡單但極為強大的預測建模演算法。之所以稱為樸素貝葉斯，是因為它假設每個輸入變數是獨立的。這是一個強硬的假設，實際情況並不一定，但是這項技術對於絕大部分的複雜問題仍然非常有效。

4.SVM 最重要的思想是什麼？

SVM 計算的過程就是幫我們找到超平面的過程，它有個核心的概念叫：分類間隔。SVM 的目標就是找出所有分類間隔中最大的那個值對應的超平面。在數學上，這是一個凸優化問題。同樣我們根據數據是否線性可分，把 SVM 分成硬間隔 SVM、軟間隔 SVM 和非線性 SVM。

5.K-Means 和 KNN 演算法的區別是什麼？

首先，這兩個演算法解決的是數據挖掘中的兩類問題。K-Means 是聚類演算法，KNN 是分類演算法。其次，這兩個演算法分別是兩種不同的學習方式。K-Means 是非監督學習，也就是不需要事先給出分類標籤，而 KNN 是有監督學習，需要我們給出訓練數據的分類標識。最後，K 值的含義不同。K-Means 中的 K 值代表 K 類。KNN 中的 K 值代表 K 個最接近的鄰居。