從網際網路巨頭資料探勘類招聘筆試題目看我們還差多少知識
1 從阿里資料分析師筆試看職業要求
以下試題是來自阿里巴巴招募實習生的一次筆試題，從筆試題的幾個要求我們一起來看看資料分析的職業要求。
一、異常值是指什麼？請列舉1種識別連續型變數異常值的方法？
異常值（outlier） 是指樣本中的個別值，其數值明顯偏離所屬樣本的其餘觀測值。在數理統計裡一般是指一組觀測值中與平均值的偏差超過兩倍標準差的測定值。
grubbs』 test（是以frank e. grubbs命名的），又叫maximum normed residual test，是一種用於單變數資料集異常值識別的統計檢測，它假定資料集來自正態分佈的總體。
未知總體標準差σ，在五種檢驗法中，優劣次序為：t檢驗法、格拉布斯檢驗法、峰度檢驗法、狄克遜檢驗法、偏度檢驗法。
點評：考察的內容是統計學基礎功底。
二、什麼是聚類分析？聚類演算法有哪幾種？請選擇一種詳細描述其計算原理和步驟。
聚類分析(cluster analysis)是一組將研究物件分為相對同質的群組(clusters)的統計分析技術。 聚類分析也叫分類分析(classification analysis)或數值分類(numerical taxonomy)。聚類與分類的不同在於，聚類所要求劃分的類是未知的。
聚類分析計算方法主要有：層次的方法（hierarchical method）、劃分方法（partitioning method）、基於密度的方法（density-based method）、基於網格的方法（grid-based method）、基於模型的方法（model-based method）等。其中，前兩種演算法是利用統計學定義的距離進行度量。
k-means 演算法的工作過程說明如下：首先從n個資料物件任意選擇 k 個物件作為初始聚類中心；而對於所剩下其它物件，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然後再計算每個所獲新聚類的聚類中心（該聚類中所有物件的均值）；不斷重複這一過程直到標準測度函式開始收斂為止。一般都採用均方差(標準差)作為標準測度函式.
k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。
其流程如下：
（1）從 n個資料物件任意選擇 k 個物件作為初始聚類中心；
（2）根據每個聚類物件的均值（中心物件），計算每個物件與這些中心物件的距離；並根據最小距離重新對相應物件進行劃分；
（3）重新計算每個（有變化）聚類的均值（中心物件）；
（4）迴圈（2）、（3）直到每個聚類不再發生變化為止（標準測量函式收斂）。
優點：本演算法確定的k 個劃分到達平方誤差最小。當聚類是密集的，且類與類之間區別明顯時，效果較好。
對於處理大資料集，這個演算法是相對可伸縮和高效的，計算的複雜度為 o(nkt)，其中n是資料物件的數目，t是迭代的次數。一般來說，k<缺點：1.
k 是事先給定的，但非常難以選定；2. 初始聚類中心的選擇對聚類結果有較大的影響。
點評：考察的內容是常用資料分析方法，做資料分析一定要理解資料分析演算法、應用場景、使用過程、以及優缺點。
三、根據要求寫出sql
表a結構如下：
member_id（使用者的id，字元型）
log_time（使用者訪問頁面時間，日期型（只有一天的資料））
url（訪問的頁面位址，字元型）
要求：提取出每個使用者訪問的第乙個url（按時間最早），形成乙個新錶（新錶名為b，表結構和表a一致）
createtable b asselectmember_id, min(log_time), url from agroup bymember_id ;
點評：sql語句，簡單的資料獲取能力，包括表查詢、關聯、彙總、函式等。
四、銷售資料分析
以下是一家b2c電子商務**的一周銷售資料，該**主要使用者群是辦公室女性，銷售額主要集中在5種產品上，如果你是這家公司的分析師，
a) 從資料中，你看到了什麼問題？你覺得背後的原因是什麼？
b) 如果你的老闆要求你提出乙個運營改進計畫，你會怎麼做？
表如下：一組每天某**的銷售資料
a) 從這一周的資料可以看出，週末的銷售額明顯偏低。這其中的原因，可以從兩個角度來看：站在消費者的角度，週末可能不用上班，因而也沒有購買該產品的慾望；站在產品的角度來看，該產品不能在週末的時候引起消費者足夠的注意力。
b) 針對該問題背後的兩方面原因，我的運營改進計畫也分兩方面：一是，針對消費者週末沒有購買慾望的心理，進行引導提醒消費者週末就應該準備好該產品；二是，通過該產品的一些類似於打折**等活動來提公升該產品在週末的人氣和購買力。
點評：資料解讀能力，獲取資料是基本功，僅僅有資料獲取能力是不夠的，其次是對資料的解讀能力。
五、使用者調研
某公司針對a、b、c三類客戶，提出了一種統一的改進計畫，用於提公升客戶的周消費次數，需要你來制定乙個事前試驗方案，來支援決策，請你思考下列問題：
a) 試驗需要為決策提供什麼樣的資訊？
c) 按照上述目的，請寫出你的資料抽樣方法、需要採集的資料指標項，以及你選擇的統計方法。
a) 試驗要能證明該改進計畫能顯著提公升a、b、c三類客戶的周消費次數。
b) 根據三類客戶的數量，採用分層比例抽樣；
需要採集的資料指標項有：客戶類別，改進計畫前周消費次數，改進計畫後周消費次數；
選用統計方法為：分別針對a、b、c三類客戶，進行改進前和後的周消費次數的，兩獨立樣本t-檢驗（two-sample t-test）。
點評：業務理解能力和資料分析思路，這是資料分析的核心競爭力。
綜上所述：乙個合格的資料分析應該具備統計學基礎知識、資料分析方法、資料獲取、資料解讀和業務理解、資料分析思想幾個方面能力，即將成為資料分析師的親們，你們準備好了嗎？
2 從騰訊（資料探勘方向）筆試題目看技術儲備
筆試內容：
1. 歷：已知中序遍歷順序以及前序遍歷順序，求後序遍歷順序
語句： 找出qqset中最小的qq號碼
傳播的轉義結果
4.36輛車，6條跑道，無計時器，最少幾次比賽可以選出前三
下判斷遠端位址為某主機監聽的某埠是都開放的命令是？
**cookie
功能8.雜湊衝突
9.哪些http方法對於服務端和使用者是安全的
10.二維陣列記憶體位址計算
11.附加題：推導線性最小二乘法過程
12.附加題：概率計算（這個相當簡單啦）
13.模型過擬合與哪些因素有關，寫出理由
3 從百度（資料探勘工程師）筆試題目看技術儲備
一. 簡答題
1. new 和 malloc 的區別。
2. hash衝突是指什麼?怎麼解決?給兩種方法，寫出過程和優缺點。
3. 命中的概率是 0.25，若要至少命中一次的概率不小於 0.75，則至少需要幾次?
二. 演算法設計題
1. 用c/c++寫乙個歸併排序。
資料結構為struct node;
介面為 node * merge_sort(node *);
2. 設計s型層次遍歷樹的演算法，比如根節點是第一層，第二層從左至右遍歷，第三層從右至左遍歷，第四層再從左至右遍歷，以此類推。
舉例：應依次輸出 1 2 3 6 5 4 7 8 9。
3. 乙個url檔案，每行是乙個url位址，可能有重複。
(1)統計每個url的頻次，設計函式實現實現。
(2)設有10億url，平均長度是20，現在機器有8g記憶體，怎麼處理，寫出思路。
三. 系統設計題
自然語言處理中的中文分詞問題，前向最大匹配演算法(fmm)。
注：題目舉例說明了fmm的基本思想。
(1)設計字典的資料結構 struct dictnote。
(2)用c/c++實現fmm，可選介面為
int fmm(vectoriletters, dictnode *iroot, vector*oresults);
其中 iletters 為待分詞的句子，比如 ，
iroot 是字典， oresults 儲存輸出結果，即分詞的位置。也可以自己設計介面。
(3)收集了一些手機品牌的字典，如。
現在要求查詢包含這些手機品牌的網頁，比如包含 iphone6, 諾基亞 9973 等。
怎麼修改fmm實現這個功能，可以寫偽**。
4 從搜狐（資料探勘演算法工程師）筆試題目看技術儲備
筆試1， 類的繼承
2， 資源互斥下的死鎖
3， 一維陣列，元素為指標，指標指向乙個引數為int，返回值為int的函式
4， 程序間的通訊方式
5， const標誌符常量一定要？
6， string的普通建構函式，拷貝建構函式，賦值函式，析構函式
7， strcpy函式
8， n個不同數的全排列，列印所有全排列
9， sizeof(char name=」hello」)
10， 繼承的轉換（子類可以轉換成基類，基類不能轉換成子類，多繼承下同一子類的基類間不能相互轉換）
5 從網易（資料探勘研究員）筆試題目看技術儲備
筆試1， 字串匹配的演算法複雜度（主串n,字串m）n+m
2， 排序演算法的穩定性(快速排序為非穩定)
3， 平衡二叉樹的插入
4， 20個億整數的兩個集合a與b,求a與b的交集，記憶體為4gb
5， 在n個無序數中找k個最小值
6， 頁面檔案的邏輯位址位（8個放內32幀記憶體裡）
7， 計算機網路各層應用連線
8， 哪一種模式不關心演算法
adapter：將乙個類的介面轉換成客戶希望的另外乙個介面。a d a p t e r模式使得原本由於介面不相容而不能一起工作的那些類可以一起工作。
bridge：將抽象部分與它的實現部分分離，使它們都可以獨立地變化。
builder：將乙個複雜物件的構建與它的表示分離，使得同樣的構建過程可以建立不同的表示。
chain of responsibility：為解除請求的傳送者和接收者之間耦合，而使多個物件都有機會處理這個請求。將這些物件連成一條鏈，並沿著這條鏈傳遞該請求，直到有乙個物件處理它。
資料庫筆試題
資料庫1.有個表tableqq，有整型的id項和字元型別的nickname項，這兩個項都不允許為空 1 寫出建立該錶的sql語句 2 找出nickname為qq的使用者，按id降序排列的sql語句 3 寫出刪除id為1234使用者記錄的sql語句 4 寫出新增id為5555，nickname為 12...
資料結構筆試題題目
一 選擇題 1.下面哪種排序法對 在空間和時間上最優 a.快速排序 b.氣泡排序 c.插入排序 d.堆排序 2.2.就排序演算法所用的輔助空間而言，堆排序，快速排序，歸併排序的關係是 a 堆排序 快速排序 歸併排序 b 堆排序 歸併排序 快速排序 c 堆排序 歸併排序 快速排序 d 堆排序 快速排序...
海量資料處理筆試面試題
1.給定a b兩個檔案，各存放50億個url，每個url各佔64位元組，記憶體限制是4g，讓你找出a b檔案共同的url？方案1 可以估計每個檔案安的大小為50g 64 320g，遠遠大於記憶體限制的4g。所以不可能將其完全載入到記憶體中處理。考慮採取分而治之的方法。s 遍歷檔案a，對每個url求取...