数据分析师常见的7道笔试题目及答案 .pdfVIP

数据分析师常见的7道笔试题目及答案--第1页

数据分析师常见的7道笔试题目及答案

导读：探索性数据分析侧重于在数据之中发现新的特征，而验证性数据分析则侧

重于已有假设的证实或证伪。以下是由小编为您整理推荐的实用的应聘笔试题目和经验，欢

迎参考阅读。

1、海量日志数据，提取出某日访问百度次数最多的那个IP。

首先是这一天，并且是访问百度的日志中的IP取出来，逐个写入到一个大文件中。

注意到IP是32位的，最多有个2^32个IP。同样可以采用映射的方法，比如模1000，把整

个大文件映射为1000个小文件，再找出每个小文中出现频率最大的IP(可以采用hash_map

进行频率统计，然后再找出频率最大的几个)及相应的频率。然后再在这1000个最大的IP

中，找出那个频率最大的IP，即为所求。

或者如下阐述：

算法思想：分而治之+Hash

地址最多有2^32=4G种取值情况，所以不能完全加载到内存中处理;

2.可以考虑采用“分而治之”的思想，按照IP地址的Hash(IP)24值，把海量IP日志

分别存储到1024个小文件中。这样，每个小文件最多包含4MB个IP地址;

3.对于每一个小文件，可以构建一个IP为key，出现次数为value的Hashmap，同

时记录当前出现次数最多的那个IP地址;

4.可以得到1024个小文件中的出现次数最多的IP，再依据常规的排序算法得到总

体上出现次数最多的IP;

2、有哪些信誉好的足球投注网站引擎会通过日志文件把用户每次检索使用的所有检索串都记录下来，每个

查询串的长度为1-255字节。

假设目前有一千万个记录(这些查询串的重复度比较高，虽然总数是1千万，但如

果除去重复后，不超过3百万个。一个查询串的重复度越高，说明查询它的用户越多，也就

是越热门。)，请你统计最热门的10个查询串，要求使用的内存不能超过1G。

典型的TopK算法，还是在这篇文章里头有所阐述，

文中，给出的最终算法是：

第一步、先对这批海量数据预处理，在O(N)的时间内用Hash表完成统计(之前写

成了排序，特此订正。July、第二步、借助堆这个数据结构，找出TopK，时间复杂度

为N‘logK。

即，借助堆结构，我们可以在log量级的时间内查找和调整/移动。因此，维护一

个K(该题目中是10)大小的小根堆，然后遍历300万的Query，分别和根元素进行对比所以，

我们最终的时间复杂度是：O(N)+N’*O(logK)，(N为1000万，N’为300万)。ok，更多，详

情，请参考原文。

或者：采用trie树，关键字域存该查询串出现的次数，没有出现为0。最后用10

个元素的最小推来对出现频率进行排序。

3、有一个1G大小的一个文件，里面每一行是一个词，词的大小不超过16字节，

内存限制大小是1M。返回频数最高的100个词。

方案：顺序读文件中，对于每个词x，取hash(x)P00，然后按照该值存到5000个

小文件(记为x0，x1，…x4999)中。这样每个文件大概是200k左右。

如果其中的有的文件超过了1M大小，还可以按照类似的方法继续往下分，直到

分解得到的小文件的大小都不超过1M。

对每个小文件，统计每个文件中出现的词以及相应的频率(可以采用trie树

/hash_map