1、精選文檔數據分析師常見的7道筆試題目及答案導讀：探索性數據分析側重于在數據之中發現新的特征，而驗證性數據分析則側重于已有假設的證實或證偽。以下是由小編J.L為您整理推薦的實用的應聘筆試題目和經驗，歡迎參考閱讀。1、海量日志數據，提取出某日訪問百度次數最多的那個IP。首先是這一天，并且是訪問百度的日志中的IP取出來，逐個寫入到一個大文件中。注意到IP是32位的，最多有個232個IP。同樣可以采用映射的方法，比如模1000，把整個大文件映射為1000個小文件，再找出每個小文中出現頻率最大的IP(可以采用hash_map進行頻率統計，然后再找出頻率最大的幾個)及相應的頻率。然后再在這1000個最大的

2、IP中，找出那個頻率最大的IP，即為所求。或者如下闡述：算法思想：分而治之+Hash1.IP地址最多有232=4G種取值情況，所以不能完全加載到內存中處理;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日志分別存儲到1024個小文件中。這樣，每個小文件最多包含4MB個IP地址;3.對于每一個小文件，可以構建一個IP為key，出現次數為value的Hash map，同時記錄當前出現次數最多的那個IP地址;4.可以得到1024個小文件中的出現次數最多的IP，再依據常規的排序算法得到總體上出現次數最多的IP;2、搜索引擎會通過日志文件把用戶每次檢索使用的所有檢索

3、串都記錄下來，每個查詢串的長度為1-255字節。假設目前有一千萬個記錄(這些查詢串的重復度比較高，雖然總數是1千萬，但如果除去重復后，不超過3百萬個。一個查詢串的重復度越高，說明查詢它的用戶越多，也就是越熱門。)，請你統計最熱門的10個查詢串，要求使用的內存不能超過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、先對這批海量數據預處理，在O(N)的時間內用Hash表完成統計(之前寫成了排序，特此訂正。July、2011.04.27);第二步、借助堆這個數據結構，找出Top K，時間復雜度為NlogK。即，借助堆結構，我們可以在log量級的時間內查找和調整

4、/移動。因此，維護一個K(該題目中是10)大小的小根堆，然后遍歷300萬的Query，分別和根元素進行對比所以，我們最終的時間復雜度是：O(N) + N*O(logK)，(N為1000萬，N為300萬)。ok，更多，詳情，請參考原文。或者：采用trie樹，關鍵字域存該查詢串出現的次數，沒有出現為0。最后用10個元素的最小推來對出現頻率進行排序。3、有一個1G大小的一個文件，里面每一行是一個詞，詞的大小不超過16字節，內存限制大小是1M。返回頻數最高的100個詞。方案：順序讀文件中，對于每個詞x，取hash(x)P00，然后按照該值存到5000個小文件(記為x0，x1，x4999)中。這樣每個文

5、件大概是200k左右。如果其中的有的文件超過了1M大小，還可以按照類似的方法繼續往下分，直到分解得到的小文件的大小都不超過1M。對每個小文件，統計每個文件中出現的詞以及相應的頻率(可以采用trie樹/hash_map等)，并取出出現頻率最大的100個詞(可以用含 100 個結點的最小堆)，并把100個詞及相應的頻率存入文件，這樣又得到了5000個文件。下一步就是把這5000個文件進行歸并(類似與歸并排序) 的過程了。4、有10個文件，每個文件1G，每個文件的每一行存放的都是用戶的query，每個文件的query都可能重復。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：

6、方案1：順序讀取10個文件，按照hash(query)的結果將query寫入到另外10個文件(記為)中。這樣新生成的文件每個的大小大約也1G(假設hash函數是隨機的)。找一臺內存在2G左右的機器，依次對用hash_map(query， query_count)來統計每個query出現的次數。利用快速/堆/歸并排序按照出現次數進行排序。將排序好的query和對應的 query_cout輸出到文件中。這樣得到了10個排好序的文件(記為)。對這10個文件進行歸并排序(內排序與外排序相結合)。方案2：一般query的總量是有限的，只是重復的次數比較多而已，可能對于所有的query，一次性就可以加入到

7、內存了。這樣，我們就可以采用trie樹/hash_map等直接來統計每個query出現的次數，然后按出現次數做快速/堆/歸并排序就可以了。方案3：與方案1類似，但在做完hash，分成多個文件后，可以交給多個文件來處理，采用分布式的架構來處理(比如MapReduce)，最后再進行合并。5、 給定a、b兩個文件，各存放50億個url，每個url各占64字節，內存限制是4G，讓你找出a、b文件共同的url?方案1：可以估計每個文件安的大小為5G64=320G，遠遠大于內存限制的4G。所以不可能將其完全加載到內存中處理。考慮采取分而治之的方法。遍歷文件a，對每個url求取hash(url)00，然后根

8、據所取得的值將url分別存儲到1000個小文件(記為a0，a1，a999)中。這樣每個小文件的大約為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都在對應的小文件(a0vsb0，a1vsb1，a999vsb999)中，不對應的小文件不可能有相同的url。然后我們只要求出1000對小文件中相同的 url即可。求每對小文件中相同的url時，可以把其中一個小文件的url存儲到hash_set中。然后遍歷另一個小文件的每個url，看其是否在剛才構建的hash_set中，如果是，那么就是共同的url，存到文件里面就可

9、以了。方案2：如果允許有一定的錯誤率，可以使用Bloom filter，4G內存大概可以表示340億bit。將其中一個文件中的url使用 Bloom filter映射為這340億bit，然后挨個讀取另外一個文件的url，檢查是否與Bloom filter，如果是，那么該url應該是共同的url(注意會有一定的錯誤率)。Bloom filter日后會在本BLOG內詳細闡述。6、在2.5億個整數中找出不重復的整數，注，內存不足以容納這2.5億個整數。方案1：采用2-Bitmap(每個數分配2bit，00表示不存在，01表示出現一次，10表示多次，11無意義)進行，共需內存 232 * 2 bit=

10、1 GB內存，還可以接受。然后掃描這2.5億個整數，查看Bitmap中相對應位，如果是00變01，01變10，10保持不變。所描完事后，查看 bitmap，把對應位是01的整數輸出即可。方案2：也可采用與第1題類似的方法，進行劃分小文件的方法。然后在小文件中找出不重復的整數，并排序。然后再進行歸并，注意去除重復的元素。7、騰訊面試題：給40億個不重復的unsigned int的整數，沒排過序的，然后再給一個數，如何快速判斷這個數是否在那40億個數當中?與上第6題類似，我的第一反應時快速排序+二分查找。以下是其它更好的方法：方案1：oo，申請512M的內存，一個bit位代表一個unsigned int值。讀入40億個數，設置