五月天婷亚洲天久久综合网,婷婷丁香五月激情亚洲综合,久久男人精品女人,麻豆91在线播放

  • <center id="8gusu"></center><rt id="8gusu"></rt>
    <menu id="8gusu"><small id="8gusu"></small></menu>
  • <dd id="8gusu"><s id="8gusu"></s></dd>
    9630 3

    [學(xué)習(xí)分享] 數(shù)據(jù)分析師常見的10道面試題解答 [推廣有獎(jiǎng)]

    • 2關(guān)注
    • 20粉絲

    講師

    89%

    還不是VIP/貴賓

    -

    威望
    1 級(jí)
    論壇幣
    7723 個(gè)
    通用積分
    5271.8963
    學(xué)術(shù)水平
    100 點(diǎn)
    熱心指數(shù)
    87 點(diǎn)
    信用等級(jí)
    88 點(diǎn)
    經(jīng)驗(yàn)
    7381 點(diǎn)
    帖子
    149
    精華
    2
    在線時(shí)間
    183 小時(shí)
    注冊(cè)時(shí)間
    2013-8-26
    最后登錄
    2024-6-24

    +2 論壇幣
    k人 參與回答

    經(jīng)管之家送您一份

    應(yīng)屆畢業(yè)生專屬福利!

    求職就業(yè)群
    趙安豆老師微信:zhaoandou666

    經(jīng)管之家聯(lián)合CDA

    送您一個(gè)全額獎(jiǎng)學(xué)金名額~ !

    感謝您參與論壇問題回答

    經(jīng)管之家送您兩個(gè)論壇幣!

    +2 論壇幣
          1、海量日志數(shù)據(jù),提取出某日訪問百度次數(shù)最多的那個(gè)IP。
      首先是這一天,并且是訪問百度的日志中的IP取出來(lái),逐個(gè)寫入到一個(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)日志文件把用戶每次檢索使用的所有檢索串都記錄下來(lái),每個(gè)查詢串的長(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)查詢串的重復(fù)度越高,說(shuō)明查詢它的用戶越多,也就是越熱門。),請(qǐng)你統(tǒng)計(jì)最熱門的10個(gè)查詢串,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,關(guān)鍵字域存該查詢串出現(xiàn)的次數(shù),沒有出現(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/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/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)開始放在一個(gè)文件中。
      然后將這40億個(gè)數(shù)分成兩類:
      1.最高位為0
      2.最高位為1
      并將這兩類分別寫入到兩個(gè)文件中,其中一個(gè)文件中數(shù)的個(gè)數(shù)<=20億,而另一個(gè)>=20億(這相當(dāng)于折半了);
      與要查找的數(shù)的最高位比較并接著進(jìn)入相應(yīng)的文件再查找
      再然后把這個(gè)文件為又分成兩類:
      1.次最高位為0
      2.次最高位為1
      并將這兩類分別寫入到兩個(gè)文件中,其中一個(gè)文件中數(shù)的個(gè)數(shù)<=10億,而另一個(gè)>=10億(這相當(dāng)于折半了);
      與要查找的數(shù)的次最高位比較并接著進(jìn)入相應(yīng)的文件再查找。
      …….
      以此類推,就可以找到了,而且時(shí)間復(fù)雜度為O(logn),方案2完。
      附:這里,再簡(jiǎn)單介紹下,位圖方法:
      使用位圖法判斷整形數(shù)組是否存在重復(fù)
      判斷集合中存在重復(fù)是常見編程任務(wù)之一,當(dāng)集合中數(shù)據(jù)量比較大時(shí)我們通常希望少進(jìn)行幾次掃描,這時(shí)雙重循環(huán)法就不可取了。
      位圖法比較適合于這種情況,它的做法是按照集合中最大元素max創(chuàng)建一個(gè)長(zhǎng)度為max+1的新數(shù)組,然后再次掃描原數(shù)組,遇到幾就給新數(shù)組的第幾位置上1,如遇到5就給新數(shù)組的第六個(gè)元素置1,這樣下次再遇到5想置位時(shí)發(fā)現(xiàn)新數(shù)組的第六個(gè)元素已經(jīng)是1了,這說(shuō)明這次的數(shù)據(jù)肯定和以前的數(shù)據(jù)存在著重復(fù)。這種給新數(shù)組初始化時(shí)置零其后置一的做法類似于位圖的處理方法故稱位圖法。它的運(yùn)算次數(shù)最壞的情況為2N。如果已知數(shù)組的最大值即能事先給新數(shù)組定長(zhǎng)的話效率還能提高一倍。
      歡迎,有更好的思路,或方法,共同交流。

       
      8、怎么在海量數(shù)據(jù)中找出重復(fù)次數(shù)最多的一個(gè)?
      方案1:先做hash,然后求模映射為小文件,求出每個(gè)小文件中重復(fù)次數(shù)最多的一個(gè),并記錄重復(fù)次數(shù)。然后找出上一步求出的數(shù)據(jù)中重復(fù)次數(shù)最多的一個(gè)就是所求(具體參考前面的題)。

       
      9、上千萬(wàn)或上億數(shù)據(jù)(有重復(fù)),統(tǒng)計(jì)其中出現(xiàn)次數(shù)最多的錢N個(gè)數(shù)據(jù)。
      方案1:上千萬(wàn)或上億的數(shù)據(jù),現(xiàn)在的機(jī)器的內(nèi)存應(yīng)該能存下。所以考慮采用hash_map/搜索二叉樹/紅黑樹等來(lái)進(jìn)行統(tǒng)計(jì)次數(shù)。然后就是取出前N個(gè)出現(xiàn)次數(shù)最多的數(shù)據(jù)了,可以用第2題提到的堆機(jī)制完成。

      
      10、一個(gè)文本文件,大約有一萬(wàn)行,每行一個(gè)詞,要求統(tǒng)計(jì)出其中最頻繁出現(xiàn)的前10個(gè)詞,請(qǐng)給出思想,給出時(shí)間復(fù)雜度分析。
      方案1:這題是考慮時(shí)間效率。用trie樹統(tǒng)計(jì)每個(gè)詞出現(xiàn)的次數(shù),時(shí)間復(fù)雜度是O(n*le)(le表示單詞的平準(zhǔn)長(zhǎng)度)。然后是找出出現(xiàn)最頻繁的前10個(gè)詞,可以用堆來(lái)實(shí)現(xiàn),前面的題中已經(jīng)講到了,時(shí)間復(fù)雜度是O(n*lg10)。所以總的時(shí)間復(fù)雜度,是O(n*le)與O(n*lg10)中較大的哪一個(gè)。

       
      附、100w個(gè)數(shù)中找出最大的100個(gè)數(shù)。
      方案1:在前面的題中,我們已經(jīng)提到了,用一個(gè)含100個(gè)元素的最小堆完成。復(fù)雜度為O(100w*lg100)。
      方案2:采用快速排序的思想,每次分割之后只考慮比軸大的一部分,知道比軸大的一部分在比100多的時(shí)候,采用傳統(tǒng)排序算法排序,取前100個(gè)。復(fù)雜度為O(100w*100)。
      方案3:采用局部淘汰法。選取前100個(gè)元素,并排序,記為序列L。然后一次掃描剩余的元素x,與排好序的100個(gè)元素中最小的元素比,如果比這個(gè)最小的要大,那么把這個(gè)最小的元素刪除,并把x利用插入排序的思想,插入到序列L中。依次循環(huán),知道掃描了所有的元素。復(fù)雜度為O(100w*100)。

    from 我愛分析
    http://www.52analysis.com


    二維碼

    掃碼加我 拉你入群

    請(qǐng)注明:姓名-公司-職位

    以便審核進(jìn)群資格,未注明則拒絕

    關(guān)鍵詞:數(shù)據(jù)分析師 數(shù)據(jù)分析 分析師 面試題 MapReduce 分析師

    個(gè)人主頁(yè):https://lixuan.xyz
    沙發(fā)
    hsj0624 發(fā)表于 2014-4-24 10:50:54 |只看作者 |壇友微信交流群
    第一個(gè)哈希算法沒錯(cuò),但是及時(shí)找出隱射出來(lái)的1000個(gè)小文件中頻率最多的,但不一定是總體最多的,說(shuō)一種,1000個(gè)小文件里都有的一個(gè)ip,但都不是每個(gè)最多的。這樣是不是會(huì)有偏差
    藤椅
    hsj0624 發(fā)表于 2014-4-24 10:55:59 |只看作者 |壇友微信交流群
    不好意思,我還想理解錯(cuò)了,導(dǎo)出來(lái)的是不同ip的流量次數(shù)的數(shù)據(jù),不是一條條列出來(lái)的那種,你說(shuō)的是已經(jīng)計(jì)數(shù)過(guò)的,我明白了,謝謝~
    板凳
    小黑鴨 發(fā)表于 2014-4-25 21:36:40 |只看作者 |壇友微信交流群
    有意思

    本版微信群
    加好友,備注cda
    拉您進(jìn)交流群

    京ICP備16021002-2號(hào) 京B2-20170662號(hào) 京公網(wǎng)安備 11010802022788號(hào) 論壇法律顧問:王進(jìn)律師 知識(shí)產(chǎn)權(quán)保護(hù)聲明   免責(zé)及隱私聲明

    GMT+8, 2024-12-23 20:00