阿里巴巴2011数据分析师笔试题(实习题)
数据分析笔试题目及答案解析
数据分析笔试题目及答案解析数据分析笔试题目及答案解析——第1题——1. 从含有N个元素的总体中抽取n个元素作为样本，使得总体中的每一个元素都有相同的机会（概率）被抽中，这样的抽样方式称为?A. 简单随机抽样B. 分层抽样C. 系统抽样D. 整群抽样答案：A——第2题——2. 一组数据，均值中位数众数，则这组数据A. 左偏B. 右偏C. 钟形D. 对称答案：B「题目解析」分布形状由众数决定，均值大于众数的化，说明峰值在左边，尾巴在右边，所以右偏。
偏态是看尾巴在哪边。
——第3题——3. 对一个特定情形的估计来说，置信水平越低，所对应的置信区间?A. 越小B. 越大C. 不变D. 无法判断答案：A「题目解析」根据公式，Z减小，置信区间减小。
——第4题——4.关于logistic回归算法，以下说法不正确的是?A. logistic回归是当前业界比较常用的算法，用于估计某种事物的可能性B. logistic回归的目标变量可以是离散变量也可以是连续变量C. logistic回归的结果并非数学定义中的概率值D. logistic回归的自变量可以是离散变量也可以是连续变量答案：B「题目解析」逻辑回归是二分类的分类模型，故目标变量是离散变量，B错；logisitc回归的结果为“可能性”，并非数学定义中的概率值，不可以直接当做概率值来用，C对。
——第5题——5.下列关于正态分布，不正确的是?A. 正态分布具有集中性和对称性B. 期望是正态分布的位置参数，描述正态分布的集中趋势位置C. 正态分布是期望为0，标准差为1的分布D. 正态分布的期望、中位数、众数相同答案：C「题目解析」N（0，1）是标准正态分布。
——第6题——6. 以下关于关系的叙述中，正确的是?A. 表中某一列的数据类型可以同时是字符串，也可以是数字B. 关系是一个由行与列组成的、能够表达数据及数据之间联系的二维表C. 表中某一列的值可以取空值null，所谓空值是指安全可靠或零D. 表中必须有一列作为主关键字，用来惟一标识一行E. 以上答案都不对答案：B「题目解析」B. 关系是一张二维表，表的每一行对应一个元组，每一列对应一个域，由于域可以相同，所以必须对每列起一个名字，来加以区分，这个名字称为属性。
大数据分析师招聘笔试题与参考答案
招聘大数据分析师笔试题与参考答案(答案在后面)一、单项选择题（本大题有10小题，每小题2分，共20分）1、大数据分析师在进行数据分析时，以下哪个工具通常用于数据清洗和预处理？A、SQLB、TableauC、PythonD、Hadoop2、在大数据分析中，以下哪个算法通常用于聚类分析？A、决策树B、K-meansC、支持向量机D、神经网络3、在数据分析中，当我们需要从数据集中随机选取一部分样本进行分析时，这通常被称为：A. 数据清洗B. 数据采样C. 数据建模D. 数据可视化4、假设你正在使用Python的pandas库来处理一个DataFrame对象df，其中包含一列名为’Age’。
如果想要筛选出年龄大于等于18且小于60的所有记录，以下哪段代码是正确的？A. df[(df['Age'] > 18) and (df['Age'] < 60)]B. df[df['Age'] >= 18 & df['Age'] < 60]C. df[(df['Age'] >= 18) & (df['Age'] < 60)]D. df[df['Age'].between(18, 60)]5、题干：在数据挖掘中，以下哪个算法通常用于分类任务？A. K-means聚类B. Apriori算法C. 决策树D. KNN算法6、题干：以下哪个指标通常用于衡量数据集的分布均匀性？A. 偏度B. 方差C. 标准差D. 熵7、在数据分析中，当我们提到数据的“离群值”（Outliers）时，它指的是什么？A. 数据集中的最大值和最小值B. 与大多数数据有显著差异的数据点C. 丢失或缺失的数据D. 不符合预期模式的数据8、在大数据项目实施过程中，哪一项活动通常不属于数据分析师的核心职责？A. 清洗和预处理原始数据B. 设计数据库结构C. 应用统计模型进行预测D. 解释模型输出以指导业务决策9、以下哪项不是大数据分析中常用的数据存储技术？A. Hadoop HDFSB. NoSQL数据库C. 关系型数据库D. 关键字存储 10、在数据分析中，以下哪个术语通常用来描述数据集的规模大小？A. 数据量B. 数据质量C. 数据维度D. 数据粒度二、多项选择题（本大题有10小题，每小题4分，共40分）1、下列哪些技能对于大数据分析师来说至关重要？A. 数据挖掘技术B. SQL数据库查询语言C. 数据可视化工具使用（如Tableau）D. 熟悉数据隐私保护法E. 了解硬件工程原理2、在处理大数据时，以下哪些方法可以用来减少计算资源的消耗？A. 数据压缩B. 数据采样C. 增加冗余字段D. 使用分布式计算框架E. 提高数据的维度3、以下哪些工具或技术是大数据分析中常用的数据处理和分析工具？（）A. HadoopB. PythonC. SQLD. R语言E. Excel4、在大数据分析中，以下哪些是常用的数据可视化工具？（）A. TableauB. Power BIC. MatplotlibD. D3.jsE. Google Charts5、在处理大数据时，以下哪些技术可以用来解决数据存储和计算中的挑战？A. Hadoop MapReduceB. SQL数据库C. NoSQL数据库D. SparkE. Excel6、下列哪些是数据预处理步骤的一部分？A. 数据清洗B. 数据集成C. 数据转换D. 数据挖掘E. 数据可视化7、以下哪些技术或工具是大数据分析师在数据预处理阶段常用的？（）A. ETL工具（如Apache Nifi、Talend）B. 数据清洗和转换工具（如Pandas、OpenRefine）C. 数据库管理系统（如MySQL、Oracle）D. 数据可视化工具（如Tableau、Power BI）8、以下哪些方法可以帮助大数据分析师提高数据挖掘的准确性和效率？（）A. 特征选择和工程B. 使用先进的机器学习算法C. 数据降维D. 交叉验证9、以下哪些工具或技术是大数据分析师在工作中常用的？（）A. HadoopB. SparkC. SQLD. PythonE. Tableau 10、以下关于数据清洗的说法，正确的是？（）A. 数据清洗是数据分析的重要步骤之一。
数据分析师常见的7道笔试题目及答案资料
数据分析师常见的7道笔试题目及答案数据分析师常见的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J.L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+Hash1.IP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Hash map，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、搜索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Top K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。
数据岗位招聘笔试题与参考答案
招聘数据岗位笔试题与参考答案一、单项选择题（本大题有10小题，每小题2分，共20分）1、在数据仓库中，以下哪个术语指的是从多个数据源中提取数据并存储到一个集中的数据库中，以便于分析和报告？A. 数据挖掘B. 数据仓库C. 数据清洗D. 数据建模答案：B解析：数据仓库（Data Warehouse）是一个用于存储大量数据以供分析和报告的系统。
它将来自多个数据源的数据集成到一个集中的位置，以便于决策支持。
2、在数据分析过程中，以下哪个方法用于识别数据集中的异常值？A. 主成分分析（PCA）B. 线性回归C. K-means聚类D. 孤立森林（Isolation Forest）答案：D解析：孤立森林（Isolation Forest）是一种用于异常检测的算法。
它通过随机选择一个特征和分割点，将数据集中的大部分点聚集到树的叶子节点，而异常值则孤立在树的不同分支中，从而识别出异常值。
主成分分析、线性回归和K-means聚类主要用于数据降维、回归分析和聚类分析等。
3、数据清洗中，处理缺失值的常用方法不包括以下哪一项？A. 删除含有缺失值的记录B. 使用均值/中位数/众数填充缺失值C. 通过相关性较高的其他特征预测缺失值D. 将缺失值设为最大值答案：D解析：在数据清洗过程中，处理缺失值是一个重要的步骤。
常见的策略包括删除含有缺失值的记录（选项A），用统计量如均值、中位数或众数来填补缺失值（选项B），以及利用机器学习模型根据其他特征预测缺失值（选项C）。
将缺失值设置为最大值（选项D）通常不是一种推荐的方法，因为这可能会歪曲数据分布和分析结果。
4、关于数据标准化（Standardization）和归一化（Normalization），下列说法错误的是：A. 标准化一般指将数据转换成均值为0，方差为1的分布B. 归一化通常指将数值映射到[0,1]区间C. 标准化和归一化在所有情况下都可以互换使用D. 选择标准化还是归一化取决于具体应用场景和算法要求答案：C解析：标准化（选项A）和归一化（选项B）是两种不同的预处理技术，用于调整特征尺度，使不同特征具有可比性。
阿里巴巴校招数据分析师职位笔试题目
阿里巴巴校招数据分析师职位笔试题目第1篇：阿里巴巴校招数据分析师职位笔试题目1、选择题1、一下哪个属于离散变量水稻亩产量家庭收入商品价格汽车产量2、卡方分布的样本方差分别是n12n4n3、有个人买*，中奖概率为1/10,每次花200元，连续买5次，如果中奖则奖金为1000元，问不赔钱的概率是多少4、世界男女比例相当，黄种人比其他人种多的多，其他人种男的比女的多，以下那句是正确的黄种人男人比黑种人女人多黄种人女人比黑种人男人多5、关于聚类分析的题目，判断哪句不正确6、均值>中位数>众数，问这个分布偏左还是偏右7、随机无放回抽样跟随机有放回抽样比较，哪个方差大，还是相等8、回归分析y=a+bx，如果存在自相关，问b的值如何，是正负还是0，还有显著*如何。
2、问答题1、sql语句，表a有member_id,city，表b有member_id,price 几项，将a和b链接，且指定城市和price>10.member_id为主键.如果不会写就给出数据分析的思想2、数据清理中，处理缺失值的方法3、回归分析中出现的多重共线*问题是什么，如何处理3、分析题1、对不同价位区间的商品做活动，表a给活动出流连次数与总体浏览次数，表b给出活动商品转换率和总体商品转换率，分析现象2、某电商推出一款新的产品，希望这个产品能大卖，让你给这个主题取个名字，如果你是数据未完，继续阅读 >第2篇：阿里巴巴校园招聘笔试题目分享导读：时间为2014年8月29日，均为网上答题。
第一部分为单选题，共20题，要在40分钟内完成。
每个人的选择题都不一样，应该是后台有题库，每个人的试卷都是随机生成的。
第二部分为附加题，一般为1道问答题，2道编程题。
以下是由应届毕业生网小编j.l为您整理推荐的阿里巴巴校园招聘笔试题目分享，欢迎参考阅读。
通过算法生成的随机数是“伪随机”的，也就是说，在设定好第一个数之后，后面的数字的序列是确定的，并且经过一个非常大的循环会回到第一个数的状态，然后周而复始。
阿里巴巴品牌数据银行分析师考试真题题库
阿里巴巴品牌数据银行分析师单选1.A A和I人群的品牌互动触点分布是统计当前人群最近（）天和（）天内踩过各触点的人群数量和占各人群总数比15；152.A 发生过无品牌倾向搜索且点击的人群属于哪类人群认知3.A 假设某个人群的总数为100万，最近15天踩过“阿里妈妈”触点的有30万人，其中最近15天踩过“钻石展位”触点的有10万人，那么该人群“钻石展位触点”的占比为多少0.14.A 品牌属性的触点只会归属品牌AIPL，不会归属二级类目AIPL5.A 品牌希望在数据银行收割预售期高意向人群，应该在哪里操作？自定义分析6.A 数据银行可以圈定流失TOP5品牌人群正确7.A 月均消费金额的定义是什么最近180天，消费者在淘宝天猫上的月均消费金额8.B 关于AIPL下列说法正确的是哪个Interest 兴趣是指参与了微淘互动（对微淘内容进行了评论、点赞、收藏、转发）；或浏览过大于等于2天品牌商品；或收藏加购过品牌商品的消费者等。
9.B 某品牌女王节期间（3月3日~3月9日）创建人群后开启人群质量报告追踪后可以看到流失到哪些品牌否10.B 品牌活跃消费者中，“认知”和“兴趣”人群活跃有效期是以下哪个15天11.B 自定义分析中，全链路状态AIPL一般默认能取到的最长时间期限为180天12.B 自定义人群设置更新的周期最长不超过多少天7天13.C 阿里巴巴Uni ID Infrastructure的数据量官方公布的数字是哪个6亿14.C 下列关于同行业TOP5品牌的定义，哪个是错误的？品牌维度同行业TOP5品牌：根据当前品牌所覆盖的每个二级类目中的活跃消费者总量确定每个二级类目的权重，再对当前每个二级类目维度的同行业TOP5品牌，求其消费者总量*对应二级类目权重，再对结果排序取TOP5品牌，不排除当前品牌本身15.C 下面哪个行为不属于认知行为在试用中心申请过品牌商品试用16.C 自定义分析中，以货圈人条件多于（）个，不支持实时计算4个17.D 品牌数据银行是品牌消费者数据资产管理中心，下面的选项中，不属于品牌数据银行核心价值的选项是哪个？跨公域和私域的用户数据融合（核心价值：真实还原消费者全链路旅程；360度的人群画像；全媒体的应用激活；线上线下全渠道的融合）18.D 数据融合中，人群上传后能够匹配到的范围是哪个全网范围内的人群19.D 新增上传人群中，上传文件的匹配方式是什么20.D 自定义分析中，人群条件多于（）个，不支持实时计算6个21.产品开通使用后，可以查看多长周期内的数据在产品开通后，从开通日期起默认导入前一个月的数据22.当沉淀多个营销活动人群的时候，几个人群之间的关系是并集23.对于自定义分析中人群圈选条件的执行顺序，以下说法正确的是先后顺序24.各层级消费者的品牌互动触点分布，是统计当前人群最近（）天踩过的触点15天25.关于A/I/P/L，下列说法正确的是哪个？Loyalty忠诚是指365天内有过26.关于行业包的说法，以下哪一个选项是错误的行业包问题中未匹配到的问法,我们可以自己补充进去27.活跃消费者分析中的FAST指标是指哪个？品牌当前有效的认知（15天）/兴趣（15天）/购买（两年半）/忠诚（1年）的消费者总数28.某奶粉品牌在双十一期间进行UD外投，品牌希望知道本次外投触达人数的TA%，以下圈选逻辑正确的是（注：双十一时段为10月20日至11月1日；此品牌的TA为孕期阶段和宝宝年龄0-3岁）孕早中晚并宝宝年龄0-3岁交10月20日人-11月11日UD曝光29.目前数据银行同步应用到达摩盘通道的人群包的人数要求是多少1万-1000万30.目前数据银行支持直播/微淘/淘宝头条数据回流的只有3种途径正确31.品牌B上周参与了聚划算-商品团活动，想找到浏览过某个聚划算商品的人群有哪些，并对这些人进行二次营销，要做的第一步是什么自定义分析-以货圈人32.全链路分布的AIPL人群的品牌互动触点分布逻辑中，加入一个ID被聚划算曝光，又点击了品牌的钻展广告进入品牌店铺购买了商品，则下面的描述中不正确的是哪个购买人群的阿里妈妈触点计1人，不计入店铺触点33.数据银行和客户运营平台的联动，以下哪个说法是不正确的数据银行同步的人群包在客户运营平台可以对潜客发短信34.无店铺客户可以开通品牌数据银行吗？数据来源和沉淀是哪里可以开，但必须有支付宝认证的淘宝企业账号35.下列消费行为中，哪个不属于“兴趣”行为？浏览了品牌号内容36.下面关于消费者总量、消费者品类购买力、消费者转化率的定义，哪个是错误的？“消费者总量”：品牌最近365天的认知、兴趣、购买、忠诚消费者人数，若品牌开通不足365天，则有几天算几天。
阿里考试题库及答案
阿里考试题库及答案一、单项选择题（每题2分，共10分）1. 阿里巴巴集团成立于哪一年？A. 1998年B. 1999年C. 2000年D. 2001年答案：B2. 以下哪个不是阿里巴巴集团旗下的子公司？A. 淘宝B. 支付宝C. 京东D. 阿里云答案：C3. 阿里巴巴的使命是什么？A. 让天下没有难做的生意B. 创造就业机会C. 提供最好的在线购物体验D. 推动全球电子商务的发展答案：A4. 阿里巴巴集团的总部设在哪个国家？A. 中国B. 美国C. 印度D. 日本答案：A5. 阿里巴巴集团的核心价值观是什么？A. 客户第一，员工第二，股东第三B. 创新、合作、诚信、敬业C. 诚信、激情、敬业、团队合作D. 客户至上，团队合作，拥抱变化答案：C二、多项选择题（每题3分，共15分）6. 阿里巴巴集团的主要业务包括哪些？A. 电子商务B. 云计算C. 金融服务D. 物流服务答案：ABCD7. 阿里巴巴集团旗下的电商平台包括哪些？A. 淘宝B. 天猫C. 京东D. 闲鱼答案：ABD8. 阿里巴巴集团在以下哪些领域进行了投资？A. 人工智能B. 新能源C. 医疗健康D. 教育答案：ABCD9. 阿里巴巴集团的企业文化包括哪些元素？A. 客户第一B. 团队合作C. 拥抱变化D. 诚信答案：ABCD10. 阿里巴巴集团的社会责任包括哪些方面？A. 环境保护B. 社会公益C. 员工关怀D. 企业治理答案：ABCD三、判断题（每题1分，共5分）11. 阿里巴巴集团是由马云在1999年创立的。
（正确）12. 阿里巴巴集团的业务只限于中国市场。
（错误）13. 阿里巴巴集团的愿景是成为一家活102年的好公司。
（正确）14. 阿里巴巴集团的核心价值观中不包含“激情”。
（错误）15. 阿里巴巴集团的使命是“让天下没有难做的生意”。
（正确）四、简答题（每题5分，共10分）16. 简述阿里巴巴集团的发展历程。
答：阿里巴巴集团成立于1999年，由马云领导的18位创始人在杭州创立。
数据分析师常见的7道笔试题目及答案
数据分析师常见的7道笔试题目及答案数据分析师常见的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J.L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+Hash1.IP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Hash map，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、搜索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T op K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。
阿里巴巴考试题及答案
阿里巴巴考试题及答案一、单选题（每题2分，共10题）1. 阿里巴巴集团成立于哪一年？A. 1995年B. 1998年C. 1999年D. 2001年答案：C2. 阿里巴巴集团的创始人是谁？A. 马化腾B. 马云C. 任正非D. 李彦宏答案：B3. 阿里巴巴集团的总部设在哪个国家？A. 美国B. 中国C. 印度D. 日本答案：B4. 阿里巴巴集团旗下的电商平台包括以下哪些？A. 淘宝、天猫、京东B. 淘宝、天猫、拼多多C. 淘宝、天猫、亚马逊D. 淘宝、天猫、苏宁易购答案：B5. 阿里巴巴集团的核心价值观是什么？A. 客户第一、员工第二、股东第三B. 客户第一、股东第二、员工第三C. 员工第一、客户第二、股东第三D. 股东第一、客户第二、员工第三答案：A6. 阿里巴巴集团的使命是什么？A. 让天下没有难做的生意B. 让天下没有难做的技术C. 让天下没有难做的服务D. 让天下没有难做的教育答案：A7. 阿里巴巴集团的愿景是什么？A. 成为全球最大的电商平台B. 成为全球最大的科技公司C. 成为全球最大的金融公司D. 成为全球最大的物流公司答案：A8. 阿里巴巴集团的企业文化是什么？A. 创新、合作、诚信、共赢B. 创新、竞争、诚信、共赢C. 创新、合作、诚信、竞争D. 创新、合作、竞争、共赢答案：A9. 阿里巴巴集团的口号是什么？A. 让天下没有难做的生意B. 让天下没有难做的技术C. 让天下没有难做的服务D. 让天下没有难做的教育答案：A10. 阿里巴巴集团的吉祥物是什么？A. 猫B. 狗C. 熊D. 兔答案：A二、多选题（每题3分，共5题）1. 阿里巴巴集团旗下的业务板块包括以下哪些？A. 电商B. 金融C. 物流D. 云计算E. 娱乐答案：ABCDE2. 阿里巴巴集团的核心价值观包括以下哪些？A. 客户第一B. 团队合作C. 拥抱变化D. 诚信E. 激情答案：ABCDE3. 阿里巴巴集团的使命和愿景包括以下哪些？A. 让天下没有难做的生意B. 成为全球最大的电商平台C. 创造就业机会D. 促进经济发展E. 提高人们的生活水平答案：ABDE4. 阿里巴巴集团的企业文化包括以下哪些？A. 创新B. 合作C. 诚信D. 共赢E. 竞争答案：ABCD5. 阿里巴巴集团的口号和吉祥物包括以下哪些？A. 让天下没有难做的生意B. 猫C. 狗D. 熊E. 兔答案：AB三、判断题（每题1分，共10题）1. 阿里巴巴集团成立于1999年。
阿里大数据练习(习题卷2)
阿里大数据练习(习题卷2)第1部分：单项选择题，共67题，每题只有一个正确答案,多选或少选均不得分。
1.[单选题]在DataWorks中，(）是指使用系统或计算资源的客户，即公司。
A)DataWorks项目B)MaxCompute项目空间C)组织D)个人账号答案:C解析:2.[单选题]若有以下的定义:int t[3][2];能正确表示t数组元素地址的表达式是（）。
A)&t[3][2]B)t[3]C)&t[1]D)t[2]答案:D解析:3.[单选题]设有如下定义： struct sk {int a; float b;} data,*p;若要使p指向data中的a域，正确的赋值语句是（）。
A)p=(struct sk*)&data.a;B)p=(struct sk*) data.a;C)p=&data.a;D)*p=data.a;答案:A解析:4.[单选题]当（ ），Oracle才提交事务。
A)DBRW进程将数据写回磁盘后B)LGWR进程将日志写入在线重做日志文件后C)PMON进程提交进程变化后D)SMON进程写入数据后答案:B解析:5.[单选题]描述是正确的关于数据库 buffer cache 中的 pinned buffer的是（ ）。
A)buffe 目前正在被访问B)buffer 是空的，没有被使用C)buffer 的内容被修改且必须通过 DBWn 进程刷新到磁盘D)buffer 作为即将老化的候选并且内容和磁盘上的内容相同答案:A解析:6.[单选题]在oracle中获取前10条的关键字是（ ）。
A)TopC)LimitD)rownum答案:D解析:7.[单选题]大数据计算服务提供了大数据的存储和计算服务，非常适合应用于大数据分析的领域。
以下说法中错误的是:（ ）。
A)可以实现大型互联网企业的数据仓库和BI分析B)提供了便捷的分析处理海量数据的手段，用户可以不必关心分布式计算细节，从而达到分析大数据的目的C)可以支持实时OLAP分析D)可以基于历史数据，进行用户特征和兴趣挖掘答案:C解析:8.[单选题]某企业的数据仓库运行在大数据计算服务上，开发人员在加工数据时发现用户表user中的用户标识字段user_id有部分脏数据，正确的格式应该是8位的字符串。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2011Alibaba数据分析师(实习)试题解析
一、异常值是指什么?请列举1种识别连续型变量异常值的方法?
异常值(Outlier) 是指样本中的个别值，其数值明显偏离所属样本的其余观测值。
在数理统计里一般是指一组观测值中与平均值的偏差超过两倍标准差的测定值。
Grubbs’test(是以Frank E. Grubbs命名的)，又叫maximum normed residual test，是一种用于单变量数据集异常值识别的统计检测，它假定数据集来自正态分布的总体。
未知总体标准差σ，在五种检验法中，优劣次序为：t检验法、格拉布斯检验法、峰度检验法、狄克逊检验法、偏度检验法。
二、什么是聚类分析?聚类算法有哪几种?请选择一种详细描述其计算原理和步骤。
聚类分析(cluster analysis)是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。
聚类分析也叫分类分析(classification analysis)或数值分类(numerical taxonomy)。
聚类与分类的不同在于，聚类所要求划分的类是未知的。
聚类分析计算方法主要有：层次的方法(hierarchical method)、划分方法(partitioning method)、基于密度的方法(density-based method)、基于网格的方法(grid-based method)、基于模型的方法(model-based method)等。
其中，前两种算法是利用统计学定义的距离进行度量。
k-means 算法的工作过程说明如下：首先从n个数据对象任意选择k 个对象作为初始聚类中心;而对于所剩下其它对象，则根据它们与这些聚类中心的相似度(距离)，分别将它们分配给与其最相似的(聚类中心所代表的)聚类;然后再计算每个所获新聚类的聚类中心(该聚类中所有对象的均值);不断重复这一过程直到标准测度函数开始收敛为止。
一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。
其流程如下：
(1)从n个数据对象任意选择k 个对象作为初始聚类中心;
(2)根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离;并根据最小距离重新对相应对象进行划分;
(3)重新计算每个(有变化)聚类的均值(中心对象);
(4)循环(2)、(3)直到每个聚类不再发生变化为止(标准测量函数收敛)。
优点：本算法确定的K 个划分到达平方误差最小。
当聚类是密集的，且类与类之间区别明显时，效果较好。
对于处理大数据集，这个算法是相对可伸缩和高效的，计算的复杂度
为O(NKt)，其中N是数据对象的数目，t是迭代的次数。
一般来说，K<
缺点：1. K 是事先给定的，但非常难以选定;2. 初始聚类中心的选择对聚类结果有较大的影响。
三、根据要求写出SQL
表A结构如下：
Member_ID (用户的ID，字符型)
Log_time (用户访问页面时间，日期型(只有一天的数据))
URL (访问的页面地址，字符型)
要求：提取出每个用户访问的第一个URL(按时间最早)，形成一个新表(新表名为B，表结构和表A一致)
create table B as select Member_ID, min(Log_time), URL from A group by Member_ID ;
四、销售数据分析
以下是一家B2C电子商务网站的一周销售数据，该网站主要用户群是办公室女性，销售额主要集中在5种产品上，如果你是这家公司的分析师，
a) 从数据中，你看到了什么问题?你觉得背后的原因是什么?
b) 如果你的老板要求你提出一个运营改进计划，你会怎么做?
表如下：一组每天某网站的销售数据
a) 从这一周的数据可以看出，周末的销售额明显偏低。
这其中的原因，可以从两个角度来看：站在消费者的角度，周末可能不用上班，因而也没有购买该产品的欲望;站在产品的角度来看，该产品不能在周末的时候引起消费者足够的注意力。
b) 针对该问题背后的两方面原因，我的运营改进计划也分两方面：一是，针对消费者周末没有购买欲望的心理，进行引导提醒消费者周末就应该准备好该产品;二是，通过该产品的一些类似于打折促销等活动来提升该产品在周末的人气和购买力。
五、用户调研
某公司针对A、B、C三类客户，提出了一种统一的改进计划，用于提升客户的周消费次数，需要你来制定一个事前试验方案，来支持决策，请你思考下列问题：
a) 试验需要为决策提供什么样的信息?
c) 按照上述目的，请写出你的数据抽样方法、需要采集的数据指标项，以及你选择的统计方法。
a) 试验要能证明该改进计划能显著提升A、B、C三类客户的周消费次数。
b) 根据三类客户的数量，采用分层比例抽样;
需要采集的数据指标项有：客户类别，改进计划前周消费次数，改进计划后周消费次数;
选用统计方法为：分别针对A、B、C三类客户，进行改进前和后的周消费次数的，两独立样本T-检验。