“老司机”划重点！搞定这120个真实面试问题，杀进数据科学圈

大数据文摘出品

来源：Github

编译：陆震、张秋玥、蒋宝尚

直到今天，在各类媒体口中，数据科学家依然是“21世纪最性感的职业”。但事实上，希望进入这个行业的初级数据科学家已经供过于求。

可以预见的是，各种高校相关专业的毕业生，在完成coursera或者fast.ai的课程后，都希望得到一份跟“数据”相关的岗位。据统计，部分职位的供求比已经达到了1:200。

那么，如何能在这条独木桥上杀出重围、脱引而出呢？

金三银四求职季，江湖传言在三月份和四月份找工作和跳槽成功的概率最大。不同于程序员这样的纯技术工种，求职成为一名数据科学家似乎需要“上知天文，下知地理”。

毕竟，数据科学领域集成了多种不同元素，包括信号处理，数学，概率模型技术和理论，机器学习，计算机编程，统计学，数据工程，模式识别和学习，可视化，不确定性建模，数据仓库，以及从数据中析取规律和产品的高性能计算。

今天文摘菌会给大家推荐一份数据科学面试资料，资料收集了来自顶级技术公司的访调员和数据科学家。从浅入深的囊括了沟通、数据分析、模型预测、编程、概率、产品指标等7个部分的共120个面试问题。

根据官方网站，这份资源由Max、Carl、Henry以及William四位合作编写，这四位好基友都有数学科学以及数据分析的背景，也非常互补，也因此让这份资料变得弥足珍贵。

这份资料，在官方网站上需要付19美元可以获取完整版（包括问题和答案）。

先放上资料官网，非常需要的读者请购买支持正版哦?

https://www.datasciencequestions.com/

当然，如果你只是想了解这份资料的大概内容，或者测试一下自己是否掌握了数据科学家需要的知识，文摘菌在github上也找到了这份资料的缩略问题版，少部分概念以及定义性的问题有答案，对于开放性的问题，欢迎大家在留言区给出你的答案哦。

文摘菌精选了这份资料中的部分问题和答案，完整版戳下边链接自取。

github地址：

https://github.com/kojino/120-Data-Science-Interview-Questions

沟通

1.向我解释一个与你正在面试的角色相关的技术概念。

2.向我介绍你所热爱的事情。

3.你会如何向没有统计背景的工程师解释A/B测试，线性回归呢？

• A/B测试，也就是多变量测试，通过测试用户的不同体验，来确定哪种改变有助于企业更加有效地实现其目标（如增加转换等）。它可以是网站上的文本信息，按钮的颜色，不同的用户界面，不同的电子邮件主题行，号召性用语，优惠等。

4.你会如何向没有统计背景的工程师解释置信区间以及95％的置信度的意思？

• 参考链接：https://www.quora.com/What-is-a-confidence-interval-in-laymans-terms

5.你会如何向一组高级管理人员解释为什么数据很重要？

数据分析

1.给定一个数据集，分析这个数据集并告诉我你可以从中了解到什。

2.什么是R2？可能比R2更好的指标有哪些，为什么？

答：拟合良好，是由该回归/总方差解释的那部分方差；你添加的预测变量越多，R^2越大；因而使用因自由度调整的R ^ 2；或着训练误差指标。

3.什么是维度灾难？

• 高维度使得聚类变得困难，因为拥有大量维度意味着彼此相差很大。例如，为了覆盖一小部分数据，随着变量数量的增加，我们需要处理每个范围广泛的变量；
• 所有样本都靠近样本的边缘。这非常糟糕，因为在训练样本的边缘附近做出预测要更加困难；
• 随着维度 p的增加，采样密度呈指数下降，因此在没有更多的数据量的情况下，该数据会变得更加稀疏；我们应该进行PCA分析以降低维度。

4.更多的数据就总是更好么？

• 从统计来说，它取决于你的数据的质量，如果您的数据有偏差，获取再多数据也毫无用处；它取决于你的模型。如果你的模型能够承受高偏差，获取更多数据不会太过明显地提高你的测试结果。你需要添加更多特征，或者做别的处理。从实战来说，也需要在拥有更多数据和额外存储，计算能力以及所需内存之间进行权衡。因此，始终要考虑拥有更多数据的成本。

5.分析数据之前绘制图表有什么好处？

• 数据集会有错误。你不会找到全部的错误，但你或许能够找到其中的一些。比如那个212岁的男人以及那个9英尺高的女；变量会有偏度，异常值等。算术平均值可能用不了，这也意味着标准差用不了；变量可以是多峰的！如果变量是多峰的，那么任何基于其的均值或着中位数的都是可疑的。

模型预测（19个问题）

1.给定一个数据集，分析这个数据集并给出一个可以预测这个响应变量的模型。

• 由拟合简单的模型（多元回归，逻辑回归）开始，相应地选取一些特征，然后尝试一些复杂的模型。要始终将数据集拆分为训练集，验证集和测试集并使用交叉验证来观察模型的表现；确定问题是分类问题还是回归问题；倾向于选用运行快速可以轻松解释的简单模型；提及交叉验证作为评估模型的一种方法；绘制图表且将数据可视化。

2.如果测试数据的分布与训练数据的分布明显不同，可能会出现什么问题？

• 训练时具有高精度的模型在测试时可能具有较低的精度。在没有进一步了解的情况下，很难知道哪个数据集代表了总体的数据，因而很难测量算法的泛化程度；
• 这应该可以通过重复划分训练集和测试集来缓解（如交叉验证）；
• 当数据分布发生变化时，称为数据集漂移。 如果训练数据和测试数据的分布不同，分类器可能会过度拟合训练数据。

3.有什么方法可以让我的模型对异常值的鲁棒性更高？

• 我们可以使用L1或L2等正则化方法来减少方差（增加偏倚）。
• 算法的改变：1.使用基于树的方法来代替回归方法，因为它们更能忍受异常值。2.对于统计检验，使用非参数检验来代替参数检验。3.使用稳健的误差指标，如MAE或Huber Loss，来代替MSE。
• 数据的改变：1.对数据进行winsorize处理2.转换数据（如进行对数处理）3.只有在你确定它们是不值得预测的异常值时才删除它们

4.与最小化误差绝对值的模型相比，在最小化误差平方的模型中，你认为有哪些差异？每个误差指标分别在哪种情况下合适？

• MSE对异常值更加严格。在这个意义上MAE鲁棒性更好，但也更难以拟合模型，因为它无法在数值上进行优化。因此，当模型的可变性较小且在计算上容易拟合时，我们应该使用MAE，否则应该使用MSE。
• MSE：更容易计算梯度
• MAE：计算梯度需要线性编程MAE对异常值更加稳健。
• 如果较大错误造成的后果很严重，使用MSEMSE相当于最大化高斯随机变量的可能性。

5.你会什么误差指标来评估二分类器的好坏？如果类别不平衡怎么办？如果超过2组怎么办？

• 准确性：你正确预测的情况的比例。优点：直观，易于解释，缺点：当类标签不平衡且数据信号较弱时效果不。
• AUROC：在x轴上绘制fpr，在y轴上绘制tpr以获得不同的阈值。给定随机正例和随机负例，AUC是你能可以识别类别的概率。优点：在测试分类能力时效果很好，缺点：不能将预测解释为概率（因为AUC由排名决定），因此无法解释模型的不确定性。
• logloss/deviance：优点：基于概率的误差度量，缺点：对假阳性，假阴性非常敏感。当有超过2组时，我们可以使用k个二分类并将它们添加到logloss中。 像AUC这样的一些指标仅适用于二分类情况。

概率

1.阿米巴虫波波生0个、1个或2个小阿米巴虫的概率分别是25%、25%以及50%。这些小阿米巴虫们的繁殖能力也都一样。请问波波的后代灭绝的概率是多少？

• p=1/4+1/4p+1/2p^2 => p=1/2

2.任何15分钟时间段内，你看到至少一颗流星的概率是20%。请问在一小时内你看到至少一颗流星的概率是多少？

• l 1-(0.8)^4。 或者我们用泊松过程也可以解。

3.仅使用一枚色子，你如何生成一个1-7内随机数？

• 丢三次色子：每一次丢的都是结果的第n位
• 每次丢色子时，如果值为1-3，则记录0，否则记录1。结果会位于0（000）与7（111）之间，均匀分布（因为这三次抛掷互相独立）。如果得到0则重复抛掷：该过程会终止于均匀分布的值。

4.有一个数据集包含来自两个正态分布的数值。两个分布的标准差相同。来自两个分布的数据点个数相同。请问如果想要该数据集呈双峰分布，两个分布的均值应当至少差多少？

• 多于两个标准差

5.提供已知正态分布的样本值，请问你能如何模拟一个均匀分布的样本值？

• 将值代入同一随机变量的累计分布函数

6.一对夫妻告诉你他们有两个小孩，其中至少有一个是女孩。请问他们拥有两个女儿的概率是多少？

• 1/3

产品指标

1.对于一个广告驱动的消费者产品（比如Buzzfeed，YouTube，Google搜索等），什么可以称为好的成功衡量指标？服务驱动的消费者产品（比如优步，Flickr，Venmo等）呢？

• 广告驱动：页面浏览量与每日活跃量，点击率，每次点击成本
• 服务驱动：购买量，转化率

2.对于一个效率工具（比如印象笔记，Asana，Google文档等），什么可以称为好的成功衡量指标？线上课程平台（比如edX，Coursera，Udacity等）呢？

• 效率工具：付费订阅用户数
• 线上课程平台：付费订阅用户数，课程完成率

3.对于一个电商产品（比如Etsy，Groupon，Birchbox等），什么可以称为好的成功衡量指标？订阅产品（比如Netflix，Birchbox，Hulu等）呢？高级付费订阅（比如OKCupid，领英，Spotify等）呢？

• 电商产品：购买量，转化率，时/日/周/月/季/年销售额，售出产品成本，存货量，网站流量，净回头客量，客服电话量，平均解决问题时长
• 订阅产品：流失量，（不知道接下来这几个都是啥）
• 高级付费订阅：（无解答）

4.对于高度依赖于用户投入与交互的消费者产品（比如Snapchat，Pinterest，Facebook等），什么可以称为好的成功衡量指标？通讯产品（比如GroupMe，Hangouts，Snapchat等）呢？

• 高度依赖于用户投入与交互的消费者产品：user AU ratios，分类型邮件汇总，分类型推送通知汇总，复活率。
• 通讯产品：（无解答）

5.对于拥有app内购服务的产品（比如Zynga，愤怒的小鸟以及许多其他游戏），什么可以称为好的成功衡量指标？

• 用户/付费用户平均营收

编程（14题）

1.编写一个函数，计算2n个用户所有可能分配向量，其中n个用户为控制组，n个用户为治疗组。

• 递归编程

2.提供一个包含推特消息的列表，求十个最常用的的标签。

• 在字典中存储所有标签然后求前十值

3.在给定时间内写出算法求解背包问题的最佳近似解。

• 贪婪算法

4.在给定时间内写出算法求解旅行商问题的最佳近似解。

• 贪婪算法

5.你将得到一个大小为n的数据集，但你无法提前知道n具体有多大。写出一个占据O(k)的算法来随机抽取k个元素。

• 水塘抽样

统计推论（15题）

1.AB测试中你如何确认客户流分组完全随机？

• 画出多个A组与B组变量的分布，确保他们都拥有一致的形状。再保险一点，我们可以做一个排列检验来看分布是否相同。
• MANOVA来比较不同的均值。

2.AA测试（两组完全一致）的好处有什么？

• 检查抽样算法随机性

3.在AB测试中，允许一组用户知道另一组是什么样子有什么危害？

• 用户可能无法与未知其他选项时行为一致。实际上你是在添加一个关于是否允许用户窥探其它选项的变量——该变量并不随机。

4.如果某个博客报道了你的实验组会有什么影响呢？

• 与前问相同。这一问题可能会在更大范围内发生。

5.你如何设计一个允许用户自行选择是否加入的AB测试。

最后，祝大家求职顺利~

github地址：

https://github.com/kojino/120-Data-Science-Interview-Questions