數(shù)據(jù)分析師常見(jiàn)的7道筆試題目及答案
導(dǎo)讀:探索性數(shù)據(jù)分析側(cè)重于在數(shù)據(jù)之中發(fā)現(xiàn)新的特征,而驗(yàn)證性數(shù)據(jù)分析則側(cè)重于已有假設(shè)的證實(shí)或證偽。以下是由應(yīng)屆畢業(yè)生網(wǎng)小編J.L為您整理推薦的實(shí)用的應(yīng)聘筆試題目和經(jīng)驗(yàn),歡迎參考閱讀。
1、海量日志數(shù)據(jù),提取出某日訪(fǎng)問(wèn)百度次數(shù)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(xiàn)頻率最大的IP(可以采用hash_map進(jìn)行頻率統(tǒng)計(jì),然后再找出頻率最大的幾個(gè))及相應(yīng)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(nèi)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(chǔ)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(duì)于每一個(gè)小文件,可以構(gòu)建一個(gè)IP為key,出現(xiàn)次數(shù)為value的Hash map,同時(shí)記錄當(dāng)前出現(xiàn)次數(shù)最多的那個(gè)IP地址;
4.可以得到1024個(gè)小文件中的出現(xiàn)次數(shù)最多的IP,再依據(jù)常規(guī)的排序算法得到總體上出現(xiàn)次數(shù)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(zhǎng)度為1-255字節(jié)。
假設(shè)目前有一千萬(wàn)個(gè)記錄(這些查詢(xún)串的重復(fù)度比較高,雖然總數(shù)是1千萬(wàn),但如果除去重復(fù)后,不超過(guò)3百萬(wàn)個(gè)。一個(gè)查詢(xún)串的重復(fù)度越高,說(shuō)明查詢(xún)它的用戶(hù)越多,也就是越熱門(mén)。),請(qǐng)你統(tǒng)計(jì)最熱門(mén)的10個(gè)查詢(xún)串,要求使用的內(nèi)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(duì)這批海量數(shù)據(jù)預(yù)處理,在O(N)的時(shí)間內(nèi)用Hash表完成統(tǒng)計(jì)(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(shù)據(jù)結(jié)構(gòu),找出Top K,時(shí)間復(fù)雜度為N‘logK。
即,借助堆結(jié)構(gòu),我們可以在log量級(jí)的時(shí)間內(nèi)查找和調(diào)整/移動(dòng)。因此,維護(hù)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(duì)比所以,我們最終的時(shí)間復(fù)雜度是:O(N) + N’*O(logK),(N為1000萬(wàn),N’為300萬(wàn))。ok,更多,詳情,請(qǐng)參考原文。
或者:采用trie樹(shù),關(guān)鍵字域存該查詢(xún)串出現(xiàn)的次數(shù),沒(méi)有出現(xiàn)為0。最后用10個(gè)元素的最小推來(lái)對(duì)出現(xiàn)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(jié),內(nèi)存限制大小是1M。返回頻數(shù)最高的100個(gè)詞。
方案:順序讀文件中,對(duì)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(xù)往下分,直到分解得到的小文件的大小都不超過(guò)1M。
對(duì)每個(gè)小文件,統(tǒng)計(jì)每個(gè)文件中出現(xiàn)的詞以及相應(yīng)的頻率(可以采用trie樹(shù)/hash_map等),并取出出現(xiàn)頻率最大的100個(gè)詞(可以用含 100 個(gè)結(jié)點(diǎn)的最小堆),并把100個(gè)詞及相應(yīng)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(fù)。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(jié)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(shè)hash函數(shù)是隨機(jī)的)。
找一臺(tái)內(nèi)存在2G左右的機(jī)器,依次對(duì)用hash_map(query, query_count)來(lái)統(tǒng)計(jì)每個(gè)query出現(xiàn)的次數(shù)。利用快速/堆/歸并排序按照出現(xiàn)次數(shù)進(jìn)行排序。將排序好的query和對(duì)應(yīng)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(duì)這10個(gè)文件進(jìn)行歸并排序(內(nèi)排序與外排序相結(jié)合)。
方案2:
一般query的總量是有限的,只是重復(fù)的次數(shù)比較多而已,可能對(duì)于所有的query,一次性就可以加入到內(nèi)存了。這樣,我們就可以采用trie樹(shù)/hash_map等直接來(lái)統(tǒng)計(jì)每個(gè)query出現(xiàn)的次數(shù),然后按出現(xiàn)次數(shù)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(gòu)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(jié),內(nèi)存限制是4G,讓你找出a、b文件共同的url?
方案1:可以估計(jì)每個(gè)文件安的大小為5G×64=320G,遠(yuǎn)遠(yuǎn)大于內(nèi)存限制的4G。所以不可能將其完全加載到內(nèi)存中處理?紤]采取分而治之的方法。
遍歷文件a,對(duì)每個(gè)url求取hash(url)00,然后根據(jù)所取得的值將url分別存儲(chǔ)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(chǔ)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(duì)應(yīng)的小文件(a0vsb0,a1vsb1,…,a999vsb999)中,不對(duì)應(yīng)的小文件不可能有相同的url。然后我們只要求出1000對(duì)小文件中相同的 url即可。
求每對(duì)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(chǔ)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(gòu)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(cuò)誤率,可以使用Bloom filter,4G內(nèi)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(yīng)該是共同的url(注意會(huì)有一定的錯(cuò)誤率)。
Bloom filter日后會(huì)在本BLOG內(nèi)詳細(xì)闡述。
6、在2.5億個(gè)整數(shù)中找出不重復(fù)的整數(shù),注,內(nèi)存不足以容納這2.5億個(gè)整數(shù)。
方案1:采用2-Bitmap(每個(gè)數(shù)分配2bit,00表示不存在,01表示出現(xiàn)一次,10表示多次,11無(wú)意義)進(jìn)行,共需內(nèi)存 2^32 * 2 bit=1 GB內(nèi)存,還可以接受。然后掃描這2.5億個(gè)整數(shù),查看Bitmap中相對(duì)應(yīng)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(duì)應(yīng)位是01的整數(shù)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(fù)的整數(shù),并排序。然后再進(jìn)行歸并,注意去除重復(fù)的元素。
7、騰訊面試題:給40億個(gè)不重復(fù)的unsigned int的整數(shù),沒(méi)排過(guò)序的,然后再給一個(gè)數(shù),如何快速判斷這個(gè)數(shù)是否在那40億個(gè)數(shù)當(dāng)中?
與上第6題類(lèi)似,我的第一反應(yīng)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(qǐng)512M的內(nèi)存,一個(gè)bit位代表一個(gè)unsigned int值。讀入40億個(gè)數(shù),設(shè)置相應(yīng)的bit位,讀入要查詢(xún)的數(shù),查看相應(yīng)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?yàn)?^32為40億多,所以給定一個(gè)數(shù)可能在,也可能不在其中;
這里我們把40億個(gè)數(shù)中的每一個(gè)用32位的二進(jìn)制來(lái)表示
假設(shè)這40億個(gè)數(shù)開(kāi)始放在一個(gè)文件中。
【數(shù)據(jù)分析師常見(jiàn)的7道筆試題目及答案】相關(guān)文章:
常見(jiàn)的數(shù)據(jù)分析師筆試題目及答案12-07
編導(dǎo)專(zhuān)業(yè)常見(jiàn)筆試題目及答案12-12
關(guān)于編導(dǎo)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(mào)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(shù)據(jù)分析師職位筆試題目08-21
EMBA面試常見(jiàn)題目及答案11-15