不管你是擁有上萬經驗條的“老手”，亦或是初出茅廬卻天資過人的“新手”，面試官總能“難倒你”。

在面試的時候，面試官所出題目涉及的范圍可能會非常廣，這既考驗了面試者的技能知識，又很能體現(xiàn)面試者的溝通技巧。面試官會通過一系列的問題來衡量你的數(shù)據(jù)統(tǒng)計、編程，和數(shù)據(jù)建模能力，而且這些問題是經過專門設計的，需要你精神高度集中，并迫使你展示在壓力下的工作狀態(tài)。

[[285568]]

好的準備工作是數(shù)據(jù)科學職業(yè)生涯成功的關鍵，這當然也包括面試過程。

怎樣才能不被面試官“難倒”?怎樣才能在一場數(shù)據(jù)科學面試上脫穎而出?小芯這次特別整理了你應該準備的所有數(shù)據(jù)科學面試問題，包括國內外109個面試問答，都是數(shù)據(jù)科學面試時面試者曾遇到的真實的問題哦，作為年末送給大家的福利~快將它收入囊中吧~

現(xiàn)在，我們將數(shù)據(jù)科學家將會遇到的面試問題分為了六個不同的類別：數(shù)據(jù)統(tǒng)計、編程、建模、行為、文化，和解決問題類。

• 數(shù)據(jù)統(tǒng)計(Statistics)
• 編程
• 一般問題
• 大數(shù)據(jù)
• Python
• R語言
• 結構化查詢語言(SQL)
• 建模
• 行為
• 文化契合
• 問題解決能力

[[285569]]

圖源：Unsplash

數(shù)據(jù)統(tǒng)計面試問題

統(tǒng)計計算就是數(shù)據(jù)科學家通過原始數(shù)據(jù)來做出預測和建模的過程。沒有杰出的統(tǒng)計學知識，是很難成為一個成功的數(shù)據(jù)科學家的。因此，一個優(yōu)秀的面試官大概率會通過一些統(tǒng)計向的數(shù)據(jù)科學問題，來試探你對這個領域的理解。那么面試者最好對一些基本的統(tǒng)計問題有所準備，以此為數(shù)據(jù)面試做更充分的準備。

下列是我們搜尋到的一些常見統(tǒng)計問題：

1. 什么是中心極限定理?它為什么很重要?

“假設，我們有興趣來估算所有人的平均身高。搜集世界上每個人的數(shù)據(jù)是不可能的。雖然我們不能獲得每個人的身高測量數(shù)據(jù)，但我們仍可以從一些人身上取樣。那么問題就變成了，對于這個單一的樣本推測出的整個人口的平均身高，你的看法是怎么樣的。中心極限定理其實也就是在討論這個問題。”

2. 什么是抽樣? 你知道多少種抽樣方法?

“數(shù)據(jù)抽樣是一種統(tǒng)計分析技術，用于選擇、操作和分析具有代表性的數(shù)據(jù)點子集，以識別正在測試的更大數(shù)據(jù)集中的模式和趨勢。”

3. I類錯誤和II類型錯誤的區(qū)別是什么?

“當原假設為真但被拒絕時，會發(fā)生I類錯誤。如果原假設是不成立的，但卻錯誤地沒有被拒絕，就會發(fā)生 II 類錯誤。”

4. 什么是線性回歸?P 值、系數(shù)、和R平方值這些術語又是什么意思?它們各自的重要性又是怎樣的?

線性回歸是快速預測分析的好工具。舉例來講，房子的價格取決于許多因素，比如它的大小或位置。為了看到這些變量之間的關系，我們需要建立一個線性回歸模型，它可以預測變量之間的最佳匹配線，并且可以幫助得出這兩個因素之間是正相關還是負相關。

5. 線性回歸需要什么樣的假設?

有四個主要假設：

• 因變量和回歸變量之間存在線性關系，這意味著你正在創(chuàng)建的模型實際上適合數(shù)據(jù)。
• 數(shù)據(jù)的誤差或殘差是正態(tài)分布的，相互獨立。
• 在解釋變量間存在最小多重共線性。
• 同方差性。這意味著對于預測變量的所有值，回歸線周圍的方差是相同的。

6. 什么是統(tǒng)計交互作用?

“基本上，交互作用是指一個因素(輸入變量)對因變量(輸出變量)的影響在另一個因素的不同水平上存在差異。”

7. 什么是選擇性偏差?

“當為建模而收集和準備的樣本數(shù)據(jù)具有不能代表模型將預測到的未來真實情況的特征時，選擇(或‘抽樣’)偏差會在‘主動的’意義上發(fā)生。也就是說，當一部分數(shù)據(jù)被系統(tǒng)地，即非隨機地排除在分析之外時，就會出現(xiàn)主動選擇性偏差。”

8. 非高斯分布的數(shù)據(jù)集是什么樣的?

“高斯分布是指數(shù)族分布的一部分，但除此之外，還有很多使用十分便捷的分布。對研究深度學習的人而言，如果在統(tǒng)計學方面有堅實的基礎，則能夠更加熟練地應用這些分布。”

9. 二項式概率公式是什么?

“二項分布的概率包括：n次獨立試驗中每次成功的可能數(shù)量的概率，每次試驗都發(fā)生的概率(希臘字母 pi)。”

在Glassdoor*上找到的類似的數(shù)據(jù)科學面試問題實例：

*Glassdoor 是美國一家做企業(yè)點評與職位搜索的職場社區(qū)。

什么是P值?如果有不同(更大，有三百萬個期望值)的數(shù)據(jù)集你又如何理解P值變化?

Wayfair*公司(一家美國電子商務公司，主要銷售家具和家居用品。)決定不再向過半的線上客戶提供電話客服，它為什么要這么做?

如何巧妙地應用一些計算技巧，來更快速地計算逆矩陣?

編程

為了檢驗編程技能，你通常會遇到以下兩類問題：在不寫出代碼的情況下，你會如何從理論上解決編程問題?隨后，面試官會要求你在白板上當場寫下你的解決方案。對于后一種問題，這里有幾個案例可供參考。在“實踐出真知”的方針指導下，該網站圍繞著核心概念出了很多有挑戰(zhàn)的題目，而它們也是面試時常見的問題。

[[285570]]

圖源：Unsplash

一般問題

• 你最擅長的編程語言和環(huán)境是什么?
• 你最喜歡的統(tǒng)計軟件有哪些優(yōu)缺點?
• 展示一個你原創(chuàng)的算法。
• 描述一次你參與了實質性的編程組件的數(shù)據(jù)科學項目經歷。以及你從那次經歷中學到了什么?
• 你是否為任何開源項目做過貢獻?
• 如何清理數(shù)據(jù)集(以insert語句為例)?
• 展示你在上一個項目中做的代碼。

大數(shù)據(jù)

1. Hadoop框架的兩個主要構成部分?

Hadoop分布式文件系統(tǒng)(HDFS)，MapReduce(編程模型)，和另一種資源協(xié)調者(YARN)。

2. 盡量簡潔地解釋MapReduce的工作原理。

“MapReduce是一個編程模型，可以在使用商用硬件的計算機群上對大型數(shù)據(jù)集進行分布式處理。HadoopMapReduce首先會執(zhí)行數(shù)據(jù)映射，這包括將大文件分割成多個部分，以生成另一組數(shù)據(jù)。”

3. 如何處理一長列數(shù)字?

4. 假設有一個大數(shù)據(jù)集。你將如何處理其中的異常值、缺失值，以及數(shù)據(jù)轉換?

Python

1. 你最熟悉的模塊和數(shù)據(jù)庫有哪些?它們哪些特點讓你喜歡，哪些讓你討厭?

2. Python是如何管理內存?

在Python中，內存是在私有堆空間中管理的，這意味著所有Python對象和數(shù)據(jù)結構都位于一個私有堆中。但是，程序員無法訪問這個私有空間。相反，Python解釋器將處理它。同時，核心應用程序接口(API)允許程序員使用一些Python工具來編寫代碼。內存管理器將為Python對象分配堆空間，而內置垃圾收集器則回收所有未使用的內存，并釋放內存使其可用到堆空間。

3. Python支持哪些數(shù)據(jù)類型?

“Python的內置，或者標準數(shù)據(jù)類型可以分為幾類。按Python官方文檔中使用的層次結構模式來看，即數(shù)字類型、序列、集合和映射。”

4. Python中的元組(tuple)和列表(list)有什么區(qū)別?

“除了元組是不可變的之外，語句應用上兩者也有區(qū)別。”

R語言

1.R語言中有哪些不同類型的排序算法?

有插入、選擇和冒泡(bubble)排序算法。這里閱讀更多。

2. R語言中的不同數(shù)據(jù)對象是什么?

“R語言可以將數(shù)值存儲為不同的核心數(shù)據(jù)類型(在R術語中稱為模式);這些類型包括數(shù)字(整數(shù)和雙精度浮點數(shù))、字符和邏輯符號。”

3. 你最熟悉的軟件包是什么?你認為它們哪些特點讓你喜歡，哪些讓你討厭?

4.如何訪問名為M的矩陣的第2列和第4行中的元素?

“我們可以使用方括號索引方法訪問矩陣中的元素。元素可以作為var[row, column]來訪問。”

5. 在文件中用來存儲R對象的命令是什么?

save (x,file=”x.Rdata”)

6. Hadoop和R語言一起進行數(shù)據(jù)分析的最佳方式是什么?

“Hadoop和R語言在大數(shù)據(jù)的可視化和分析方面相互補充。有四種不同的方法可以同時使用Hadoop和R語言。”

7. 在R語言中，如何將連續(xù)變量分成不同的組或級?

8. 用R語言編寫一個函數(shù)，其功能是使向量的平均值替換該向量中的缺失值。

結構化查詢語言(SQL)

SQL問題通常是基于實際案例的，這就意味著面試官會從實用的角度來測試你的技能。舉例來講，面試官會給你一個表單，要求你提取相關數(shù)據(jù)，然后根據(jù)你認為合適的方式對數(shù)據(jù)進行篩選和排序，最后陳述你的發(fā)現(xiàn)。如果你還沒有準備好在面試環(huán)境中進行這樣的操作，Mode Analytics(模式分析)提供了使用SQL的有趣介紹，它將通過一個交互式SQL環(huán)境來教你這些命令。

1. 組函數(shù)在SQL中的用途是什么?給出一些組函數(shù)的例子。

組函數(shù)是獲得數(shù)據(jù)集的摘要統(tǒng)計信息的必要途徑。 COUNT、MAX、MIN、AVG、SUM和DISTINCT都是組函數(shù)。

2. 交集(innerjoin)、左結果集(left join)、右結果集(rightjoin)和合并(union)之間的區(qū)別。

“在維恩圖中，交集就是左右兩個表單匹配的部分，左結果集則產生于左表中有匹配項且右表無效時，右結果集與左結果集是相對的，合并就是指所有的數(shù)據(jù)。”

3. 合并(UNION)的功能?合并和全合并(UNIONALL)有什么不同?

“合并會刪除重復的記錄，也就是那些結果相同的欄，而全合并則不刪除重復的部分。”

4. SQL、MySQL和SQLServer有什么區(qū)別?

“SQL就是結構化查詢語言，它是訪問和操作數(shù)據(jù)庫的標準語言。MySQL是一個數(shù)據(jù)庫管理系統(tǒng)，像SQLServer，Oracle1，Informix2，PostgreSQL3都是數(shù)據(jù)庫管理系統(tǒng)。

• 1：甲骨文公司的一款關聯(lián)式資資料庫管理系統(tǒng)。
• 2：IBM信息管理部門的一個產品系列。
• 3：是以加州大學計算機系開發(fā)的POSTGRES，4.2版本為基礎的對象關系型數(shù)據(jù)庫管理系統(tǒng)。

5. 如果表單內包含重復行，查詢結果是否默認顯示重復值?如何從查詢結果中消除重復行?

會的。使用DISTINCT語句是消除重復行的一種方法。

有關特定代碼片段的其他SQL問題，請查看Toptal創(chuàng)建的資源。

在Glassdoor上找到的類似的數(shù)據(jù)科學面試問題實例：

評價一個Python函數(shù)。

SQL查詢分為自我查詢(self joins)和內查詢(innerqueries)?？梢酝ㄟ^分析性查詢來解決問題。

[[285571]]

圖源：Unsplash

建模

數(shù)據(jù)建模才是數(shù)據(jù)科學家為公司創(chuàng)造價值的途徑。將數(shù)據(jù)轉化為可預測的、可運用的信息是很困難的，與潛在雇主談論這些問題更是如此。練習描述你過去建立模型的經歷：你使用了哪些技巧，克服了哪些挑戰(zhàn)，又取得了怎樣的成功?

下面的一組問題就是幫助你了解這些信息，以及回顧不同建模技術。如果你不能描述你使用模型背后相關的理論和假設，你不會給面試官留下好印象。

那么請瀏覽以下的問題來進行練習，并不是所有的問題都會出現(xiàn)在你的面試里，你不需要掌握所有的技巧。這些問題更多的是幫助你重新熟悉過去學過的建模技術的。

1. 你如何為過去的雇主或客戶設計一個模型?

2. 你最喜歡的數(shù)據(jù)可視化工作技巧是什么?

3. 如何有效地用五維方式展示數(shù)據(jù)?

4. k鄰近算法和K均值算法有什么不同?

k-NN(距k最近區(qū)域的英文縮寫)，是一種分類算法，其中k是一個整數(shù)，用來描述影響給定觀測值分類的相鄰數(shù)據(jù)點的數(shù)量。K均值算法是一種聚類算法，其中k是一個整數(shù)，用于描述從給定數(shù)據(jù)創(chuàng)建的聚類數(shù)量。

5. 如何創(chuàng)建一個Logistic回歸分析模型?

6. 用過時間序列模型嗎?理解時滯的交叉相關性嗎?

7. 解釋二八法則，并說出它在模型驗證中的重要性。

“人們通常傾向于用一個80%和20%的比例(80%的訓練集，20%的測試集)開始建模，然后再次將訓練集分離成80%和20%的比例來創(chuàng)建驗證集。”

8. 解釋什么是準確率、召回率，它們和ROC曲線有什么關系?

召回率表示了真正值在模型中被記為正值的比率。準確率描述了正面預測的正確率。ROC曲線顯示了模型召回率和特異性之間的關系：特異性是用來衡量真負值在模型中被記為負值的比率。召回率、準確率和ROC是用來衡量給定分類模型有多大用處的指標。

9. 解釋L1和L2正則化方法的區(qū)別。

“使用L1正則化技巧的回歸模型稱為套索回歸(LassoRegression)，使用 L2的回歸模型稱為嶺回歸，這兩者之間的關鍵區(qū)別在于懲罰因子。”

10. 根本原因分析法是什么?

“我們所有人都害怕一種會議，那就是老板會問‘為什么營收減少了?’。更糟糕的是，我們對這個問題一點想法都沒有。生意可謂是日新月異，但你想要準確地了解是什么在推動這些變化，尤其是那些意想不到的變化。理解變化的潛在原因被稱為根本原因分析。”

11. 什么是哈希表碰撞?

“如果鍵值的范圍大于哈希表的大小(通常都是這樣的)，那么我們必須考慮到兩個不同的記錄，和兩組不同的答案會散列到同一個表索引的可能性。其實有幾種不同的方法來解決這個問題。在哈希表中，這種解決方案稱為碰撞解決方案。”

12. 什么是精確檢驗?

“精確(顯著性)檢驗中所有推導檢驗統(tǒng)計量分布假設都能夠得到滿足，而在近似檢驗中，通過使樣本規(guī)模足夠大，就可以得到足夠接近的近似值。之后就要進行顯著性檢驗，其錯誤拒絕率總是等于檢驗的顯著性水平。例如，在顯著性水平為5%的精確檢驗中，從長遠來看，拒絕真正的零假設的時間只占5%。”

13. 在你看來，設計機器學習模型時，哪個更重要:模型性能還是模型準確性?

這里有本問題的一個解答。

14. 如何處理一個用于預測的不平衡數(shù)據(jù)集，例如在負類比正類多得多的情況下?

15. 如何使用多元回歸來驗證，你創(chuàng)建的生成預測模型的定量結果?

16. 兩個模型的準確性和計算性能相當，該選擇哪一個模型投入生產，為什么?

17. 如何處理稀疏性?

18. 花五天時間研究出一個準確度為90%解決方案，還是花10天時間研究出100%準確的解決方案?

19. 一般線性模型失敗的情況有哪些?

20. 你是否認為50個小的決策樹比一整個大的更好?為什么?

21. 在修改算法時，如何知道你的更改是對是對不執(zhí)行任何操作的改進?

22. 是有太多的假正值還是太多的假負值更好?

這取決于幾個因素。

在Glassdoor上找到的類似的數(shù)據(jù)科學面試問題實例：

如何對各有一百條消費記錄的百萬用戶，進行有效分類，分類標準是一萬人為一組，他們的共同特征是消費過同類產品。

學術型問題總是能找到答案的。請回憶一下各基本算法的一兩個特點：神經網絡，隨機森林，支持向量機，線性回歸。

你會怎樣調整一個隨機森林?

想象一下場景：我簽署了一份保密協(xié)議，所以我不能揭露過多細節(jié)。但是面試官提出了一個開放式問題，它包含了我創(chuàng)建、設計、應用一個算法的全過程。

[[285572]]

圖源：Unsplash

過去的行為

雇主很喜歡行為性問題。因為這些問題不僅能夠揭示受試者的工作經歷，還有他們的工作態(tài)度，以及受試者曾給一個團隊帶來的影響。從這些問題出發(fā)，面試官想了解的是面試者在過去是如何應對這些環(huán)境的，他們又是如何把自己的作用發(fā)揮到極致的，以及他們能從這些經歷中學到什么。

那么行為性問題通常有以下幾類：

• 團隊合作
• 領導力
• 沖突應對
• 解決問題
• 面對失敗

在開始面試前，寫下和這些話題有關的工作經歷，幫助你喚醒之前的記憶，因為你可能需要之前發(fā)生的真實的案例來回答這些問題。注意，要求你陳述前段經歷的時候，確保你說的是一個故事，而簡潔并有邏輯地講述你詳盡的經歷是非常重要的。

比如：“我被要求去做X。我做了A，B，和C，然后我覺得正確答案應該是Y。”

當然，如果你能夠突出講述和數(shù)據(jù)科學有關的經歷，這些問題就是展示你作為一個優(yōu)秀的數(shù)據(jù)科學家的大好時機。

下面是一些具體問題：

• 描述一次你主動工作的情景。
• 描述一次你需要克服困境的經歷。
• 描述一次你解決爭端的經歷。
• 描述一次你失敗的經歷，以及你從中學到了什么。
• 描述你簡歷上的一次工作經歷。你選擇那份工作的理由是什么?以及你最喜歡那份工作的哪一點。
• 描述一次小組工作經歷中你所戰(zhàn)勝的挑戰(zhàn)。
• 當你接手了一個無趣的工作，你會如何解決它?以及你如何讓自己有動力完成它?
• 在過去，你如何讓客戶滿意或者開心?
• 上一份工作中你引以為傲的地方。
• 你的私生活影響到工作時你會怎么做?

在Glassdoor上找到的類似的數(shù)據(jù)科學面試問題實例：

看看那個混蛋發(fā)給我的這封郵件，你會怎么處理這種情況?(他實際上給我看了他的收件箱，然后讓我看公司其他部門發(fā)來的一封命令語氣極強的郵件。)

你如何通過數(shù)據(jù)改變世界?

[[285573]]

圖源：Unsplash

文化契合

如果面試官問到了一下的問題，那么他們主要是想了解你是誰，以及你將如何適應這個公司的環(huán)境。他們在估量你對數(shù)據(jù)科學，以及對他們公司的興趣是從哪兒來的。

看看以下的問題，想出你最好的答案，但注意回答問題時一定要誠實。沒有理由不去做你自己。這些問題沒有標準答案，但能夠確定的一點是，好的回答誕生于充滿自信感的交流。

1. 你最崇拜哪個數(shù)據(jù)科學家?最崇拜哪些初創(chuàng)企業(yè)?

有很多偉大的數(shù)據(jù)科學家可以選擇，多了解一些世界頂級數(shù)據(jù)科學家的趣事。

2. 你認為成為一個優(yōu)秀的數(shù)據(jù)科學家需要哪些品質?

3. 你是如何對數(shù)據(jù)科學產生興趣的?

4. 舉出幾個數(shù)據(jù)科學中的最佳應用實例。

5. 你最近閱讀的數(shù)據(jù)科學書籍或文章是什么?你最近參與的數(shù)據(jù)挖掘會議、線上研討會、課程、工作坊、訓練有哪些?

如果最近你沒有閱讀優(yōu)秀的數(shù)據(jù)科學書籍，Springboard提供了最佳數(shù)據(jù)科學書籍書單。

6. 你想參與我們公司的哪個項目?

7. 你認為你能給團隊帶來什么獨特的能力?

8. 如果不加限制的話，你最想獲得什么數(shù)據(jù)?

9. 你想過創(chuàng)立自己的公司嗎?它是基于什么想法或概念的?

10. 你的愛好能夠傳達出的簡歷里表現(xiàn)不出來的信息有哪些?

11. 你對未來20年的五個主要預測?

12. 你今天做了什么?或者你這個周、上個周做了什么?

13. 如果你中了一百萬美金的彩票，你會如何用這筆錢?

14. 大多數(shù)人不認同但你堅持相信的一件事?

15. 你不認同哪些性格特征?

16. 數(shù)據(jù)科學領域外你感興趣的事情?

在Glassdoor上找到的類似的數(shù)據(jù)科學面試問題實例：

你看重一個企業(yè)的五個原因。

如果你可以擁有一種超能力，你希望它是什么?

問題解決能力

在數(shù)據(jù)科學面試中，面試官會不定時的想要測試你的問題解決能力。通常這些問題都是開放式的，你會如何解決X?一般來說，這個X會是你所面試的公司需要解決的問題。

比如，Yelp的面試官就會讓面試者回答如何解決Yelp*上的虛假評論。

*美國最大的點評網站。

一些小技巧：首先，不要害怕問問題。面試官想要衡量你的批判性思維能力，而問問題來解決不確定性是每一個數(shù)據(jù)科學家都應該有的能力。

同時，如果這個問題為展示你白板演示代碼，或是原理圖的能力提供了機會，不要浪費，多多展示自己。

它不僅展示了你的專業(yè)技能，還通過不同的溝通模式展示了你的思維過程。記得一定要展示你的思維過程，對于面試官來說，過程比結果更重要。

1. 如何想出一個識別作弊的方法?

2. 一個Yelp評論會收到幾個“有用”?

3. 如何識別個人賬戶為多個消費者買單的情況?

4. 你要發(fā)送一百萬封郵件。怎樣最優(yōu)化傳輸過程?以及如何最優(yōu)化回復?

5. 一個有十萬行和一百列的數(shù)據(jù)集，其中一列是要解決問題的因變量。如何快速確定哪一列對于預測因變量有幫助?想出兩個方案，并向我解釋，就當我只有五歲。

6. 如何檢測那些惡意的假評論和假帳戶?

這是展示你對機器學習算法掌握程度的好時機，尤其是情感分析算法和文本分析算法。展示你對欺詐行為的了解，那些假賬戶通常會有什么異常的表現(xiàn)?

7. 如何對一百萬個關鍵詞進行聚類算法?假設有一千萬個數(shù)據(jù)點，每一個都包含兩個關鍵詞，你需要衡量兩個關鍵詞的相似度。一開始你會如何創(chuàng)建者一千萬個數(shù)據(jù)點的表單呢?

8. 如何最優(yōu)化一個網絡蜘蛛使其運行得更快，提取更優(yōu)的信息，并且更好得總結信息從而創(chuàng)立一個更清晰的數(shù)據(jù)庫?

在Glassdoor上找到的類似的數(shù)據(jù)科學面試問題實例：

假設你有一家咖啡店，如何來擴大客戶數(shù)量?

如何根據(jù)已知消費記錄預測未來消費?

假設你的桶里有很多截繩子，你隨機拿出一個，再拿出一個，然后把它們系起來。那么桶內成環(huán)的預計數(shù)值是多少?

[[285574]]

圖源：Unsplash

結語

沒有百分之一百的成功途徑，只有不斷努力與完善自己各個方面，才能更加自信，超常發(fā)揮!

祝大家好運~