数据分析师面试题目有哪些
随着大数据的发展，越来越多的人开始进入大数据行业，那么面试就成了求职中重要的一关，那么在面试数据分析师时一般会问的问题有哪些呢?下面给大家整理了七个问题，帮助大家有个面试的准备。
1.基本工具
包括规定动作和自选动作两类。目前我所在的组不需要关心数据来源和结构化的问题，有专门的工程师团队写爬虫、做清洗、维护计算集群和数据库。所以主要考察点在于查询和衍生指标的计算方面。
1.1 规定动作
sql查询：join on、distinct、group by、order by等等。从数据库中提取数据是数据分析的第 一步。另外我们的数据规模是tb级的，所以还要能使用sql让集群做一些简单的计算，不然都下载到本地的话运算资源是肯定不够的。可能还会问一些非常基础的问题，比如primary key、int、str、double之类。excel：数据透视表、vlookup、countifs、sumifs、var.p、条件格式等等，可能会涉及到诸如vlookup中的true和false参数有什么区别，var.p和var.s有什么区别等细节问题。
1.2 自选动作
根据简历来问，简历上写什么就问什么，会问得比较深入。简历作为敲门砖，撰写也是非常重要的，切不可写的过于夸张和造，奉劝各位不要作死，毕竟不作死都有可能会死。python、stata、r、spss、sas、eviews都算比较常见的数据分析工具。比如简历上写“精通python”，虽然hr知道简历注水是常态，但既然都“精通”了，那问到pandas，regular expression，dataframe.iterrows()返回的是series还是dictionary还是listoftuples，tuple和list的区别的时候好歹都得答出来吧……
2.逻辑思维
主要分为两方面，对业务逻辑的理解能力和行文的逻辑水平。
2.1业务逻辑
虽然一个业务看似流程简单清晰，但产生数据的复杂程度往往超过大多数人的想象。对业务逻辑的考察主要通过相关项目经历。如果是典型的学校项目，我会比较关心指标设计选取、变量选择、误差分析、因果性解释等。这里小编告诫大家一句，写在简历上的项目经历起码自己要非常熟悉，对答如流。以我家hr为例，每天接触的是700多张表，每张表的字段往往超过200个。这些表和字段往往还有关联。面对这么多业务指标，能否迅速理解它们之间的联系 面对新的数据需求，能否逻辑清晰地将它拆分成指标、二级指标并进行各种计算 面对复杂的局部 优化和全局 优化需求，能否“抓大放小”，能否迅速找到关键控制点、关键影响因素并加以优化思维不敏捷，逻辑不清晰的话，是很难做好这份工作的。
2.2行文逻辑
毕竟最终产出是一份份报告，可能是html邮件也能是pdf。文章结构还是很重要的。这里不展开说了，不过关键的几点是先说结论，先写摘要。
3.理论储备
也分为规定动作和可选动作。
3.1 规定动作
主要是基础的统计学理论，如方差、协方差、算数平均数、几何平均数、中位数、众数、分位值、双峰数据、长尾数据、假设检验、期望迭代法则、贝叶斯原理等。
3.2 自选动作
根据简历来问，简历上写什么hr一定会问什么。第三次奉劝各位不要作死，写的检验也好机器学习算法也好好歹自己要知道原理、适用条件、局限性。不然跟你聊起pearson distance、k-means cluster的随机性问题的时候你接不上来也是很尴尬的。
4.对细节的敏感度
作为数据分析师，每天要关注大量数据指标。对细节的敏感度是非常必要的。这主要分为两方面，对统计口径的敏感度和对数据的敏感度。
4.1 统计口径
统计口径一致是确保数据可比性的基础，这非常考验数据分析师的敏感度和行业经验。比如转化率，是点击算转化还是注册算转化还是购买算转化?配送时间，是从用户下单开始计时还是从订单确认开始计时还是从商品出库开始计时?客单价包不包括配送费、打包费、代金券形式的折扣优惠?
4.2 数据
面试者对数据异常波动、离群值、平均数没有代表意义等情况的迅速识别能力。比如已知然寿司套餐单价1,500，酒水单价300，平均客单价2,500，能不能马上想到这可能是双峰数据或者长尾数据，抑或既双峰又长尾的数据?
5.学习能力
互联网行业瞬息万变，光数据的存储就有oracle、mysql、hadoop、spark、hive、impala、等一大堆奇奇怪怪的东西。互联网行业的从业者经常要面对新需求、新工具、新方法。能否迅速掌握新知识，解决新问题面试者必须证明给hr看。主要考察的方式是了解过往项目经历，或者出作业题(比如sci-hub)。
6.排版和简单ui设计
数据分析报告必须简洁、清晰、重点突出。主要考察方式是出作业题让面试者交一份slides(就是ppt啦)出来。能掌握标准的microsoft designlanguage是大大的加分项。
7.价值观
主要看工作热情、态度、道德水平等等，这方面的问题比较随机。
大数据分析挖掘与可视化
•●
佳实践培训班
●•
一、培训重点
1.数据分析实战
2.数据挖掘理论及核心技术
3.大数据算法原理及案例实现
4.Python应用实战
二、培训特色
1.理论与实践相结合、案例分析与行业应用穿插进行；
2.精彩内容解析、学员专题讨论、分组研究；
3.通过知识理解、专题技能和实践结合的授课方式。
时间 | 知识模块 | 授课内容 |
第一天 上午 | 数据分析实战 | 讲 零基础学Python 讲解Python背景、国内发展状况、基础语法、数据结构及绘图操作等内容。特别针对向量计算这块，着重介绍Python在这方面的优势及用法。 |
第二讲 数据分析方法论 讲解统计分析基础，包括统计学基本概念，假设检验，置信区间等基础，并结合数据案例说明其使用场景和运用方法。介绍数据分析流程和常见分析思路，并结合案例进行讲解。 | ||
第三讲 数据处理技法 从数据接入、数据统计、数据转换等几个方面进行讲解。数据接入包含接入MySQL、Oracle、Hadoop等常见数据库操作；数据统计包含Pandas包的具体用法和讲解；数据转换包含对数据集的关联、合并、重塑等操作。此外，针对海量数据的情况下，介绍在Spark平台上的数据处理技术，并结合真实环境进行操作讲解。 | ||
第一天 下午 | 数据挖掘理论及核心技术 | 第四讲 认识数据挖掘 讲解数据挖掘基本概念，细致讲解业务理解、数据理解、数据准备、建立模型、模型评估、模型部署各环节的工作内容及相关技术；结合业界经典场景，讲解数据挖掘的实施流程和方法体系。 |
第五讲 数据挖掘核心技术 细致讲解抽样、分区、样本平衡、特征选择、训练模型、评估模型等数据挖掘核心技术原理，并结合案例讲解其具体实现和用法。尤其针对样本平衡，重点讲解人工合成、代价敏感等算法；针对特征选择，重点讲解特征选择的核心思路，并结合Python进行案例演示。 | ||
第二天 上午 | 大数据算法原理及案例实现（1） | 第六讲 特征降维算法及Python实现 降维是大数据分析非常重要的算法，它可以在降低极少信息量的情况下，极大地缩小数据规模。主要讲解主成分、LDA以及t-SNE原理，并结合案例进行Python实现。特别地，针对海量数据情况下的应用场景，讲解实现思路和Python案例。 |
第七讲 决策树算法及Python实现 决策树是非常经典的算法，一般常见于小数据的挖掘。由于决策树具有极强的可解释性，针对海量数据仍然是非常重要的实用价值。主要讲解ID3、C4.5、C5.0以及CART决策树算法的实现原理，并结合案例进行Python实现。 | ||
第八讲 好莱坞百万级影评数据分析与电影实现 实战部分：基于好莱坞百万级的影评数据，对数据进行建模、清洗、透视表操作。然后根据用户画像分析不同的用户喜好通过机器学习算法对不同性别、年龄阶段的用户进行定制化的电影，最后把的电影进行可视化的展示操作 | ||
第二天 下午 | 大数据算法原理及案例实现（2） | 第九讲 因果推理算法及Python实现 大数据分析技术可以帮助我们去发现、解决一些业务问题，然而如何去判断我们的改进是否生效，是否在业务指标上呈现过一定的因果逻辑，则是一个重要问题和分析方向。本节主要介绍因果推理算法，包括贝叶斯推理、状态空间模型以及CausalImpact工具等内容，并结合案例进行Python实现。 |
第十讲 深度学习算法及Python实现 对于大数据的建模任务，我们可以基于深度学习来实现，不仅能够针对海量数据进行建模，其效果也非常不错。本节主要讲解深度学习的发展历程，DBN、DNN等经典深度学习算法，深度学习优化算法以及一些技巧。同时，介绍Keras、OpenCV库的使用方法，并结合案例进行Python实现。 | ||
第十一讲 采用OpenCV实现计算机视觉技术 实战部分：基于OpenCV面部模型，完成对图片和视频的人脸识别，实战中会讲解OpenCV的重要类和函数。主要内容包括OpenCV库的安装和部署、图像增强、像素操作、图形分析等各种技术，并且详细介绍了如何处理来自文件或摄像机的视频，以及如何检测和跟踪移动对象。 | ||
第三天 上午 | Python应用实战（一） | 第十二讲 Python自然语言处理原理及案例 目前文档数据已经成为很多企业重要的资产，通过对文档数据进行解析、建模、分析、挖掘、可视化，我们能够发现不一样的洞察。本节主要讲解自然语言处理基本概念和技法，包含分词、关键字提取、文摘提取、文本分类、主题模型、word2vec等内容。介绍在深度学习的加持下，与传统做法的区别，并使用Python进行案例讲解。 |
第十三讲 数据分析图表及Python案例 数据可视化是大数据分析的重要手段，通过合理地使用图表，不仅可以简洁地表达数据的含义，地发现问题，还可以为报告的编写以及数据分析web应用增色不少。本节主要讲解常用的数据分析图表及其使用场景，介绍数据可视化的方法论，避免生搬硬套的使用图表，针对不同的业务场景和需求，合理选择可视化方法。介绍的工具不限于matplotlib、pycha、pyecharts、ggplot、Bokeh、HoloViews、mpld3、plotly、pygal等常用可视化库。 | ||
第三天 下午 | Python应用实战（二） | 第十四讲 使用Notebook编写数据分析报告 数据分析报告在大数据分析过程中具有重要价值，它体现了大数据分析的目的、过程和结果，以及对发现问题的解读、改进方案等等，本节主要讲解使用Notebook编写数据分析报告的具体方法，以及编写数据分析报告的方法论，并结合案例讲解其用法。 |
第十五讲 Seaborn可视化开发实战 Seaborn是一款不错的可视化框架，它和 Pandas一样是建立在 Matplotlib 之上的。可以基于Seaborn开发一个轻量级的数据分析web应用。在网页中嵌入图表、数据以及分析的算法，非常适合打造企业内部的敏捷数据分析工具集。本节主要介绍Pie、Scatter、Radar等等各种可视化解决方案，同时讲解一个用Seaborn实现数据分析功能（兼图表）的实际案例，搭建服务器，在企业内部实现轻量级数据分析应用。 |