《数据分析师常见的7道笔试题目及答案》由会员分享，可在线阅读，更多相关《数据分析师常见的7道笔试题目及答案（3页珍藏版）》请在金锄头文库上搜索。
1、数据分析师常见的 7 道笔试题目及答案导读：探索性数据分析侧重于在数据之中发现新的特征，而验证性数据分析则侧重于已有假设的证实或证伪。以下是由小编 J.L 为您整理推荐的实用的应聘笔试题目和经 验，欢迎参考阅读。1、海量日志数据，提取出某日访问百度次数最多的那个 IP。首先是这一天，并且是访问百度的日志中的 IP 取出来，逐个写入到一个大文件 中。注意到 IP 是 32 位的，最多有个 232 个 IP。同样可以采用映射的方法，比如模 1000，把整个大文件映射为 1000 个小文件，再找出每个小文中出现频率最大的 IP(可以采 用 hash_map 进行频率统计，然后再找出频率最大的几个)及
2、相应的频率。然后再在这 1000 个最大的 IP 中，找出那个频率最大的 IP，即为所求。或者如下阐述：算法思想：分而治之+Hash1.IP 地址最多有 232=4G 种取值情况，所以不能完全加载到内存中处理;2.可以考虑采用“分而治之”的思想，按照 IP 地址的 Hash(IP)24 值，把海量 IP 日 志分别存储到 1024 个小文件中。这样，每个小文件最多包含 4MB 个 IP 地址;3.对于每一个小文件，可以构建一个 IP 为 key，出现次数为 value 的 Hash map，同时记录当前出现次数最多的那个 IP 地址;4.可以得到 1024 个小文件中的出现次数最多的 IP，再
3、依据常规的排序算法得到 总体上出现次数最多的 IP;2、搜索引擎会通过日志文件把用户每次检索使用的所有检索串都记录下来，每 个查询串的长度为 1-255 字节。假设目前有一千万个记录(这些查询串的重复度比较高，虽然总数是 1 千万，但 如果除去重复后，不超过 3 百万个。一个查询串的重复度越高，说明查询它的用户越多， 也就是越热门。)，请你统计最热门的 10 个查询串，要求使用的内存不能超过 1G。典型的 Top K 算法，还是在这篇文章里头有所阐述，文中，给出的最终算法是：第一步、先对这批海量数据预处理，在 O(N)的时间内用 Hash 表完成统计(之前写成了排序，特此订正。July、201
4、1.04.27);第二步、借助堆这个数据结构，找出 Top K，时间复杂度为 NlogK。即，借助堆结构，我们可以在 log 量级的时间内查找和调整/移动。因此，维护一 个 K(该题目中是 10)大小的小根堆，然后遍历 300 万的 Query，分别和根元素进行对比所 以，我们最终的时间复杂度是：O(N) + N*O(logK)，(N 为 1000 万，N为 300 万)。ok， 更多，详情，请参考原文。或者：采用 trie 树，关键字域存该查询串出现的次数，没有出现为 0。最后用 10 个元素的最小推来对出现频率进行排序。3、有一个 1G 大小的一个文件，里面每一行是一个词，词的大小不超过
5、16 字节， 内存限制大小是 1M。返回频数最高的 100 个词。方案：顺序读文件中，对于每个词 x，取 hash(x)P00，然后按照该值存到 5000 个小文件(记为 x0，x1，x4999)中。这样每个文件大概是 200k 左右。如果其中的有的文件超过了 1M 大小，还可以按照类似的方法继续往下分，直到 分解得到的小文件的大小都不超过 1M。对每个小文件，统计每个文件中出现的词以及相应的频率(可以采用 trie 树 /hash_map 等)，并取出出现频率最大的 100 个词(可以用含 100 个结点的最小堆)，并把100 个词及相应的频率存入文件，这样又得到了 5000 个文件。下一步
6、就是把这 5000 个文 件进行归并(类似与归并排序) 的过程了。4、有 10 个文件，每个文件 1G，每个文件的每一行存放的都是用户的 query，每个文件的 query 都可能重复。要求你按照 query 的频度排序。还是典型的 TOP K 算法，解决方案如下：方案 1：顺序读取 10 个文件，按照 hash(query)的结果将 query 写入到另外 10 个文件(记 为)中。这样新生成的文件每个的大小大约也 1G(假设 hash 函数是随机的)。找一台内存在 2G 左右的机器，依次对用 hash_map(query， query_count)来统 计每个 query 出现的次数。利用
7、快速/堆/归并排序按照出现次数进行排序。将排序好的 query 和对应的 query_cout 输出到文件中。这样得到了 10 个排好序的文件(记为)。对这 10 个文件进行归并排序(内排序与外排序相结合)。方案 2：一般 query 的总量是有限的，只是重复的次数比较多而已，可能对于所有的 query，一次性就可以加入到内存了。这样，我们就可以采用 trie 树/hash_map 等直接来 统计每个 query 出现的次数，然后按出现次数做快速/堆/归并排序就可以了。方案 3：与方案 1 类似，但在做完 hash，分成多个文件后，可以交给多个文件来处理， 采用分布式的架构来处理(比如 Map
8、Reduce)，最后再进行合并。5、 给定 a、b 两个文件，各存放 50 亿个 url，每个 url 各占 64 字节，内存限制 是 4G，让你找出 a、b 文件共同的 url?方案 1：可以估计每个文件安的大小为 5G64=320G，远远大于内存限制的 4G。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。遍历文件 a，对每个 url 求取 hash(url)00，然后根据所取得的值将 url 分别存储 到 1000 个小文件(记为 a0，a1，a999)中。这样每个小文件的大约为 300M。遍历文件 b，采取和 a 相同的方式将 url 分别存储到 1000 小文件(记为 b
9、0，b1，b999)。这样处理后，所有可能相同的 url 都在对应的小文件 (a0vsb0，a1vsb1，a999vsb999)中，不对应的小文件不可能有相同的 url。然后我们只要求出 1000 对小文件中相同的 url 即可。求每对小文件中相同的 url 时，可以把其中一个小文件的 url 存储到 hash_set 中。 然后遍历另一个小文件的每个 url，看其是否在刚才构建的 hash_set 中，如果是，那么就 是共同的 url，存到文件里面就可以了。方案 2：如果允许有一定的错误率，可以使用 Bloom filter，4G 内存大概可以表 示 340 亿 bit。将其中一个文件中的
10、url 使用 Bloom filter 映射为这 340 亿 bit，然后挨个读 取另外一个文件的 url，检查是否与 Bloom filter，如果是，那么该 url 应该是共同的 url(注 意会有一定的错误率)。Bloom filter 日后会在本 BLOG 内详细阐述。6、在 2.5 亿个整数中找出不重复的整数，注，内存不足以容纳这 2.5 亿个整数。方案 1：采用 2-Bitmap(每个数分配 2bit，00 表示不存在，01 表示出现一次，10 表示多次，11 无意义)进行，共需内存 232 * 2 bit=1 GB 内存，还可以接受。然后扫描这 2.5 亿个整数，查看 Bitma
11、p 中相对应位，如果是 00 变 01，01 变 10，10 保持不变。所描 完事后，查看 bitmap，把对应位是 01 的整数输出即可。方案 2：也可采用与第 1 题类似的方法，进行划分小文件的方法。然后在小文件 中找出不重复的整数，并排序。然后再进行归并，注意去除重复的元素。7、腾讯面试题：给 40 亿个不重复的 unsigned int 的整数，没排过序的，然后再给一个数，如何快速判断这个数是否在那 40 亿个数当中?与上第 6 题类似，我的第一反应时快速排序+二分查找。以下是其它更好的方法：方案 1：oo，申请 512M 的内存，一个 bit 位代表一个 unsigned int 值。读入 40 亿个数，设置相应的 bit 位，读入要查询的数，查看相应 bit 位是否为 1，为 1 表示存在， 为 0 表示不存在。方案 2：这个问题在编程珠玑里有很好的描述，大家可以参考下面的思路， 探讨一下：又因为 232 为 40 亿多，所以给定一个数可能在，也可能不在其中;这里我们把 40 亿个数中的每一个用 32 位的二进制来表示假设这 40 亿个数开始放在一个文件中。
