數據分析師常見(jiàn)的7道筆試題目及答案
導讀：探索性數據分析側重于在數據之中發(fā)現新的特征，而驗證性數據分析則側重于已有假設的證實(shí)或證偽。以下是由應屆畢業(yè)生網(wǎng)小編J.L為您整理推薦的實(shí)用的應聘筆試題目和經(jīng)驗，歡迎參考閱讀。
1、海量日志數據，提取出某日訪(fǎng)問(wèn)百度次數最多的那個(gè)IP。
首先是這一天，并且是訪(fǎng)問(wèn)百度的日志中的IP取出來(lái)，逐個(gè)寫(xiě)入到一個(gè)大文件中。注意到IP是32位的，最多有個(gè)2^32個(gè)IP。同樣可以采用映射的方法，比如模1000，把整個(gè)大文件映射為1000個(gè)小文件，再找出每個(gè)小文中出現頻率最大的IP(可以采用hash_map進(jìn)行頻率統計，然后再找出頻率最大的幾個(gè))及相應的頻率。然后再在這1000個(gè)最大的IP中，找出那個(gè)頻率最大的IP，即為所求。
或者如下闡述：
算法思想：分而治之+Hash
1.IP地址最多有2^32=4G種取值情況，所以不能完全加載到內存中處理;
2.可以考慮采用“分而治之”的思想，按照IP地址的Hash(IP)24值，把海量IP日志分別存儲到1024個(gè)小文件中。這樣，每個(gè)小文件最多包含4MB個(gè)IP地址;
3.對于每一個(gè)小文件，可以構建一個(gè)IP為key，出現次數為value的Hash map，同時(shí)記錄當前出現次數最多的那個(gè)IP地址;
4.可以得到1024個(gè)小文件中的出現次數最多的IP，再依據常規的排序算法得到總體上出現次數最多的IP;
2、搜索引擎會(huì )通過(guò)日志文件把用戶(hù)每次檢索使用的所有檢索串都記錄下來(lái)，每個(gè)查詢(xún)串的長(cháng)度為1-255字節。
假設目前有一千萬(wàn)個(gè)記錄(這些查詢(xún)串的重復度比較高，雖然總數是1千萬(wàn)，但如果除去重復后，不超過(guò)3百萬(wàn)個(gè)。一個(gè)查詢(xún)串的重復度越高，說(shuō)明查詢(xún)它的用戶(hù)越多，也就是越熱門(mén)。)，請你統計最熱門(mén)的10個(gè)查詢(xún)串，要求使用的內存不能超過(guò)1G。
典型的Top K算法，還是在這篇文章里頭有所闡述，
文中，給出的最終算法是：
第一步、先對這批海量數據預處理，在O(N)的時(shí)間內用Hash表完成統計(之前寫(xiě)成了排序，特此訂正。July、2011.04.27);
第二步、借助堆這個(gè)數據結構，找出Top K，時(shí)間復雜度為N‘logK。
即，借助堆結構，我們可以在log量級的時(shí)間內查找和調整/移動(dòng)。因此，維護一個(gè)K(該題目中是10)大小的小根堆，然后遍歷300萬(wàn)的Query，分別和根元素進(jìn)行對比所以，我們最終的時(shí)間復雜度是：O(N) + N’*O(logK)，(N為1000萬(wàn)，N’為300萬(wàn))。ok，更多，詳情，請參考原文。
或者：采用trie樹(shù)，關(guān)鍵字域存該查詢(xún)串出現的次數，沒(méi)有出現為0。最后用10個(gè)元素的最小推來(lái)對出現頻率進(jìn)行排序。
3、有一個(gè)1G大小的一個(gè)文件，里面每一行是一個(gè)詞，詞的大小不超過(guò)16字節，內存限制大小是1M。返回頻數最高的100個(gè)詞。
方案：順序讀文件中，對于每個(gè)詞x，取hash(x)P00，然后按照該值存到5000個(gè)小文件(記為x0,x1,…x4999)中。這樣每個(gè)文件大概是200k左右。
如果其中的.有的文件超過(guò)了1M大小，還可以按照類(lèi)似的方法繼續往下分，直到分解得到的小文件的大小都不超過(guò)1M。
對每個(gè)小文件，統計每個(gè)文件中出現的詞以及相應的頻率(可以采用trie樹(shù)/hash_map等)，并取出出現頻率最大的100個(gè)詞(可以用含 100 個(gè)結點(diǎn)的最小堆)，并把100個(gè)詞及相應的頻率存入文件，這樣又得到了5000個(gè)文件。下一步就是把這5000個(gè)文件進(jìn)行歸并(類(lèi)似與歸并排序) 的過(guò)程了。
4、有10個(gè)文件，每個(gè)文件1G，每個(gè)文件的每一行存放的都是用戶(hù)的query，每個(gè)文件的query都可能重復。要求你按照query的頻度排序。
還是典型的TOP K算法，解決方案如下：
方案1：
順序讀取10個(gè)文件，按照hash(query)的結果將query寫(xiě)入到另外10個(gè)文件(記為)中。這樣新生成的文件每個(gè)的大小大約也1G(假設hash函數是隨機的)。
找一臺內存在2G左右的機器，依次對用hash_map(query, query_count)來(lái)統計每個(gè)query出現的次數。利用快速/堆/歸并排序按照出現次數進(jìn)行排序。將排序好的query和對應的 query_cout輸出到文件中。這樣得到了10個(gè)排好序的文件(記為)。
對這10個(gè)文件進(jìn)行歸并排序(內排序與外排序相結合)。
方案2：
一般query的總量是有限的，只是重復的次數比較多而已，可能對于所有的query，一次性就可以加入到內存了。這樣，我們就可以采用trie樹(shù)/hash_map等直接來(lái)統計每個(gè)query出現的次數，然后按出現次數做快速/堆/歸并排序就可以了。
方案3：
與方案1類(lèi)似，但在做完hash，分成多個(gè)文件后，可以交給多個(gè)文件來(lái)處理，采用分布式的架構來(lái)處理(比如MapReduce)，最后再進(jìn)行合并。
5、 給定a、b兩個(gè)文件，各存放50億個(gè)url，每個(gè)url各占64字節，內存限制是4G，讓你找出a、b文件共同的url?
方案1：可以估計每個(gè)文件安的大小為5G×64=320G，遠遠大于內存限制的4G。所以不可能將其完全加載到內存中處理�？紤]采取分而治之的方法。
遍歷文件a，對每個(gè)url求取hash(url)00，然后根據所取得的值將url分別存儲到1000個(gè)小文件(記為a0,a1,…,a999)中。這樣每個(gè)小文件的大約為300M。
遍歷文件b，采取和a相同的方式將url分別存儲到1000小文件(記為b0,b1,…,b999)。這樣處理后，所有可能相同的url都在對應的小文件(a0vsb0,a1vsb1,…,a999vsb999)中，不對應的小文件不可能有相同的url。然后我們只要求出1000對小文件中相同的 url即可。
求每對小文件中相同的url時(shí)，可以把其中一個(gè)小文件的url存儲到hash_set中。然后遍歷另一個(gè)小文件的每個(gè)url，看其是否在剛才構建的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：如果允許有一定的錯誤率，可以使用Bloom filter，4G內存大概可以表示340億bit。將其中一個(gè)文件中的url使用 Bloom filter映射為這340億bit，然后挨個(gè)讀取另外一個(gè)文件的url，檢查是否與Bloom filter，如果是，那么該url應該是共同的url(注意會(huì )有一定的錯誤率)。
Bloom filter日后會(huì )在本BLOG內詳細闡述。
6、在2.5億個(gè)整數中找出不重復的整數，注，內存不足以容納這2.5億個(gè)整數。
方案1：采用2-Bitmap(每個(gè)數分配2bit，00表示不存在，01表示出現一次，10表示多次，11無(wú)意義)進(jìn)行，共需內存 2^32 * 2 bit=1 GB內存，還可以接受。然后掃描這2.5億個(gè)整數，查看Bitmap中相對應位，如果是00變01，01變10，10保持不變。所描完事后，查看 bitmap，把對應位是01的整數輸出即可。
方案2：也可采用與第1題類(lèi)似的方法，進(jìn)行劃分小文件的方法。然后在小文件中找出不重復的整數，并排序。然后再進(jìn)行歸并，注意去除重復的元素。
7、騰訊面試題：給40億個(gè)不重復的unsigned int的整數，沒(méi)排過(guò)序的，然后再給一個(gè)數，如何快速判斷這個(gè)數是否在那40億個(gè)數當中?
與上第6題類(lèi)似，我的第一反應時(shí)快速排序+二分查找。以下是其它更好的方法：
方案1：oo，申請512M的內存，一個(gè)bit位代表一個(gè)unsigned int值。讀入40億個(gè)數，設置相應的bit位，讀入要查詢(xún)的數，查看相應bit位是否為1，為1表示存在，為0表示不存在。
方案2：這個(gè)問(wèn)題在《編程珠璣》里有很好的描述，大家可以參考下面的思路，探討一下：
又因為2^32為40億多，所以給定一個(gè)數可能在，也可能不在其中;
這里我們把40億個(gè)數中的每一個(gè)用32位的二進(jìn)制來(lái)表示
假設這40億個(gè)數開(kāi)始放在一個(gè)文件中。
【數據分析師常見(jiàn)的7道筆試題目及答案】相關(guān)文章：
編導專(zhuān)業(yè)常見(jiàn)筆試題目及答案12-12
關(guān)于編導專(zhuān)業(yè)常見(jiàn)筆試題目及答案01-15
外企筆試題目及答案01-16
外貿筆試題目及答案11-11
小升初面試筆試及面試常見(jiàn)題目08-31
阿里巴巴校招數據分析師職位筆試題目08-21
EMBA面試常見(jiàn)題目及答案11-15
會(huì )計筆試題目及答案及解析07-05