數(shù)據(jù)分析師筆試試題【編者注】以下試題是來自阿里巴巴2011年招募實(shí)習(xí)生的一次筆試題，從筆試題的幾個要求可見數(shù)據(jù)分析職業(yè)要求。一、異常值是指什么？請列舉1種識別連續(xù)型變量異常值的方法？異常值（Outlier）是指樣本中的個別值，其數(shù)值明顯偏離所屬樣本的其余觀測值。在數(shù)理統(tǒng)計里一般是指一組觀測值中與平均值的偏差超過兩倍標(biāo)準(zhǔn)差的測定值。Grubbs’test（是以FrankE.Grubbs命名的），又叫maximumnormedresidualtest，是一種用于單變量數(shù)據(jù)集異常值識別的統(tǒng)計檢測，它假定數(shù)據(jù)集來自正態(tài)分布的總體。未知總體標(biāo)準(zhǔn)差σ，在五種檢驗(yàn)法中，優(yōu)劣次序?yàn)椋簍檢驗(yàn)法、格拉布斯檢驗(yàn)法、峰度檢驗(yàn)法、狄克遜檢驗(yàn)法、偏度檢驗(yàn)法。點(diǎn)評：考察的內(nèi)容是統(tǒng)計學(xué)基礎(chǔ)功底。二、什么是聚類分析？聚類算法有哪幾種？請選擇一種詳細(xì)描述其計算原理和步驟。聚類分析(clusteranalysis)是一組將研究對象分為相對同質(zhì)的群組(clusters)的統(tǒng)計分析技術(shù)。聚類分析也叫分類分析(classificationanalysis)或數(shù)值分類(numericaltaxonomy)。聚類與分類的不同在于，聚類所要求劃分的類是未知的。聚類分析計算方法主要有：層次的方法（hierarchicalmethod）、劃分方法（partitioningmethod）、基于密度的方法（density-based、基于網(wǎng)格的方法（grid-basedmethod）、基于模型的方法（model-based等。其中，前兩種算法是利用統(tǒng)計學(xué)定義的距離進(jìn)行度量。k-means算法的工作過程說明如下：首先從n個數(shù)據(jù)對象任意選擇k個對象作為初始聚類中心；而對于所剩下其它對象，則根據(jù)它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）中心（該聚類中所有對象的均值）；不斷重復(fù)這一過程直到標(biāo)準(zhǔn)測度函數(shù)開始收斂為止。k個聚類具有以下特點(diǎn)：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。其流程如下：從n個數(shù)據(jù)對象任意選擇k個對象作為初始聚類中心；根據(jù)每個聚類對象的均值（中心對象），根據(jù)最小距離重新對相應(yīng)對象進(jìn)行劃分；重新計算每個（有變化）聚類的均值（中心對象）；循環(huán)、直到每個聚類不再發(fā)生變化為止（標(biāo)準(zhǔn)測量函數(shù)收斂）。優(yōu)點(diǎn)：本算法確定的K個劃分到達(dá)平方誤差最小。當(dāng)聚類是密集的，且類與類之間區(qū)別明顯時，效果較好。對于處理大數(shù)據(jù)集，這個算法是相對可伸縮和高效的，計算的復(fù)雜度為O(NKt)，其中N是數(shù)據(jù)對象的數(shù)目，t是迭代的次數(shù)。一般來說，K<<N，t<<N。缺點(diǎn)：1.K是事先給定的，但非常難以選定；2.初始聚類中心的選擇對聚類結(jié)果有較大的影響。點(diǎn)評：考察的內(nèi)容是常用數(shù)據(jù)分析方法，做數(shù)據(jù)分析一定要理解數(shù)據(jù)分析算法、應(yīng)用場景、使用過程、以及優(yōu)缺點(diǎn)。三、根據(jù)要求寫出SQL表A結(jié)構(gòu)如下：Member_ID（用戶的ID，字符型）Log_time（用戶訪問頁面時間，日期型（只有一天的數(shù)據(jù)））URL（訪問的頁面地址，字符型）要求：提取出每個用戶訪問的第一個URL（按時間最早），形成一個新表（新表名為B，表結(jié)構(gòu)和表A一致）createtableBasselectMember_ID,min(Log_time),URLfromAgroupbyMember_ID;點(diǎn)評：SQL語句，簡單的數(shù)據(jù)獲取能力，包括表查詢、關(guān)聯(lián)、匯總、函數(shù)等。另外，這個答案其實(shí)是不對的，實(shí)現(xiàn)有很多方法，就不貼出來了，大家自己去發(fā)揮吧。四、銷售數(shù)據(jù)分析以下是一家B2C電子商務(wù)網(wǎng)站的一周銷售數(shù)據(jù)，該網(wǎng)站主要用戶群是辦公室女性，銷售額主要集中在5種產(chǎn)品上，如果你是這家公司的分析師，從數(shù)據(jù)中，你看到了什么問題？你覺得背后的原因是什么？表如下：一組每天某網(wǎng)站的銷售數(shù)據(jù)看：站在消費(fèi)者的角度，周末可能不用上班，因而也沒有購買該產(chǎn)品的欲望；站在產(chǎn)品的角度來看，該產(chǎn)品不能在周末的時候引起消費(fèi)者足夠的注意力。沒有購買欲望的心理，進(jìn)行引導(dǎo)提醒消費(fèi)者周末就應(yīng)該準(zhǔn)備好該產(chǎn)品；二是，通過該產(chǎn)品的一些類似于打折促銷等活動來提升該產(chǎn)品在周末的人氣和購買力。點(diǎn)評的解讀能力。五、用戶調(diào)研某公司針對A、B、C三類客戶，提出了一種統(tǒng)一的改進(jìn)計劃，用于提升客戶的周消費(fèi)次數(shù)，需要你來制定一個事前試驗(yàn)方案，來支持決策，請你思考下列問題：a)試驗(yàn)需要為決策提供什么樣的信息？c)按照上述目的，請寫出你的數(shù)據(jù)抽樣方法、需要采集的數(shù)據(jù)指標(biāo)項(xiàng)，以及你選擇的統(tǒng)計方法。試驗(yàn)要能證明該改進(jìn)計劃能顯著提升A、、C根據(jù)三類客戶的數(shù)量，采用分層比例抽樣；需要采集的數(shù)據(jù)指標(biāo)項(xiàng)有：客戶類別，改進(jìn)計劃前周消費(fèi)次數(shù)，改進(jìn)計劃后周消費(fèi)次數(shù)；選用統(tǒng)計方法為：分別針對、BC（two-