
每年这个时节各大厂的秋招战鼓一响数据分析岗笔试就成了许多同学早上起来第一件发愁的事。尤其是某头部电商平台2021年的数据分析岗笔试编程题在求职圈里流传度极高几乎每个准备面大厂数分的同学都绕不开它。原因也很简单它不是LeetCode那种纯算法题而是把SQL、Python处理和业务场景揉在一起考出题风格相当典型做题过程特别像一段浓缩版的取数、清洗、算指标的真实工作。这篇文章我就把这套题里最有代表性的三类题型拆开讲透每一道都从读题、拆解、编码到避坑顺一遍顺便聊聊我当时带学弟学妹刷这类题时反复强调的答题节奏和容易翻车的细节。无论你是正在准备秋招、打算转岗数分还是已经在做数据相关的工作想补一补笔试短板这套复盘思路应该都能直接用在下一场考试里。1. 笔试题目构成与出题意图剖析1.1 三道题的经典题型分布说实话2021年那会儿流出的笔试题目版本有好几个但只要把靠谱的几份放在一起看题型规律非常清楚整套笔试题基本稳定在三道编程大题左右时间限制通常在90到120分钟之间。第一道几乎肯定是SQL题场景跑不掉电商经典业务什么订单表、用户表、商品表让你算复购、留存、GMV、品类top榜这类指标第二道是Python数据处理题Pandas用的最多考的是分组聚合、时间筛选、多表拼接这类日常分析高频动作第三道略有点变化可能是统计概率类的编程题比如抽奖事件的期望、分布模拟也可能是简单的算法思想题但整体都不太难核心是看你有没有用代码解决问题的能力。这里要提醒一下很多同学备考的时候把精力押在LeetCode刷题上刷了几百道动态规划、二叉树结果打开数分笔试题发现完全不是一回事。这类笔试考察的不是复杂的算法设计而是你处理“不那么干净的数据”的能力。你以为面试官在考你代码写得妙不妙其实他考的是你拿到业务需求之后能不能用最直接的方式把结果算出来。1.2 出题人真正想考察的三件事把题目还原到工作场景你会发现每个考点背后都有明确的指向。第一是对业务指标定义的理解。比如“复购用户”是当月购买次数大于等于2的用户还是历史购买两次以上的用户定义不同SQL写法天差地别。很多人代码基础没问题但卡在参数口径上白白丢分。第二是对数据质量的敏感度。真实业务表里永远有退款单、重复记录、空值、格式不统一的时间字段。笔试题目虽然经过简化但依然会埋几个这样的坑表里可能有重复行需要去重时间字段可能是字符串需要转化。这一条考察的是你有没有处理脏数据的意识而不是只会在干净环境里写标准答案。第三是对代码效率和可读性的把握。笔试时间短、数据量没让你真去跑集群但出题人会故意在题面上写“订单表记录数过亿”看你会不会在高开销的join、子查询上做优化。话句话说你写出来的东西不仅要结果对还要让别人面试官觉得你有工程直觉。2. SQL窗口函数复购题从读题到写出AC答案的完整拆解2.1 题目还原与口径确认先说第一道SQL题。网上流传的版本很多核心场景是电商复购率统计。我这里用一道同考点的还原模拟题来讲原题的数据结构一模一样。表 t_order订单明细order_id订单号、user_id用户ID、order_date下单日期格式为 yyyy-MM-dd HH:mm:ss、pay_amount实付金额。 需求统计2020年每个自然月内下单次数大于等于2次的用户数量输出月份和对应的复购用户数。读题时第一个要圈出来的信息就是“当月复购”。这就是一道典型的窗口函数题但难点不在于窗口函数本身而在于你有没有把“按用户-月份分组”的思路拆出来。很多同学一上来就对订单表直接开窗排序写了一堆row_number()最后算出来的根本不是用户数而是订单数完全跑偏。2.2 从业务到代码的映射过程这道题的正确思考顺序分三步。第一步先把订单数据按“月份 用户”粒度聚合统计每个用户每个月下了多少单。注意必须先把order_date格式化到年月不能直接用原始日期分组否则同一个人1号和15号各下一单会被分成两行。第二步在分组结果里筛选计数大于等于2的用户这一步代表“复购用户”的业务刻画。第三步按月份统计筛选后的用户个数得到最终输出。SQL直接写出来就是这样select month_id, count(user_id) as repurchase_user_cnt from ( select user_id, date_format(order_date, %Y-%m) as month_id, count(1) as order_cnt from t_order where order_date 2020-01-01 and order_date 2021-01-01 group by user_id, date_format(order_date, %Y-%m) ) t where order_cnt 2 group by month_id order by month_id;有同学会问为什么内层先用了group by外层又用group by能不能直接在having count()2那一步完成当然可以把where order_cnt换成having count()2效果一样。这里写成子查询where主要是让逻辑更清晰面试讲思路的时候更容易表达。2.3 窗口函数变体与常见进阶追问那道笔试原题其实还有第二问只是流传的版本经常断掉我当年面试复盘的时候特意找人确认过确实存在。第二问是这样的统计每个用户相邻两次下单的时间间隔并计算全站用户的平均下单间隔。这种题目就真正暴露窗口函数功底了需要你准确理解lead()函数的用法select user_id, order_date, lead(order_date, 1) over(partition by user_id order by order_date) as next_order_date from ( select user_id, order_date from t_order where order_date 2020-01-01 and order_date 2021-01-01 group by user_id, order_date ) t;拿到相邻日期后datediff(next_order_date, order_date)就是两次下单间隔。这里关键的一步是先去重再开窗同一用户同一天下了好几单如果不先去重计算出来的间隔会有一堆0业务上毫无意义。这种细节就是笔试和工作中拉开差距的地方因为没人会告诉你原始表里有重复数据你得自己发现并处理。2.4 这道题最容易栽的五个坑把SQL题做完之后我建议你对照一下这五个点笔试的时候任何一点踩中都会导致结果错误。日期格式化函数不同数据库写法不同MySQL用date_formatHive用date_formatSQL Server用format。笔试环境如果是线上SQL先看它提示的数据库类型再动笔。时间边界条件我见过有人写order_date between 2020-01-01 and 2020-12-31这样会把2020-12-31当天之后的数据漏掉应该使用左闭右开写法。复购口径题目说“购买两次以上”到底含不含两次这类题默认含等于但我建议写SQL前先把口径在草稿纸上写明。是否先过滤退款单笔试题里表结构有时不包含退款标记字段但题面备注里会说“不包括已退款订单”这时你得在where里主动加过滤条件别等着数据干净。聚合后字段引用内层子查询取别名的字段外层引用时不会报错但如果你图省事把count(1)直接写到外层会把自己绕晕。宁可多写一层子查询也不要压缩成一长串。3. Pandas分组聚合题GMV计算与用户分层实操3.1 题目还原与实际数据形态第二道题是Python题Pandas的出场率几乎百分之百。这里还是一道经过我重构的还原模拟题考点和原题一致。有两个csv文件 orders.csvorder_id订单号、user_id用户ID、pay_amount支付金额、pay_time支付时间字符串格式 2020-10-12 14:23:11、is_refund是否退款0/1。 users.csvuser_id用户ID、register_date注册日期字符串格式 2020-09-01。 需求计算2020年第四季度10月、11月、12月每个用户的累计支付金额GMV剔除退款订单再去重订单输出消费金额最高的前100个用户的user_id、gmv、register_date按gmv降序排列。看题第一眼会觉得简单不就是groupby加个sum吗。但只要动手写很快就会发现三个魔鬼细节退款记录、重复订单、日期筛选。3.2 正确解题顺序与核心代码我习惯的解题顺序是先处理脏数据再筛选时间窗口最后聚合拼接。这个顺序背后的逻辑其实和SQL题是一样的先把数据洗干净再算业务指标减少后续步骤出错的可能。import pandas as pd orders pd.read_csv(orders.csv) users pd.read_csv(users.csv) # 第一步剔除退款单 orders orders[orders[is_refund] 0].copy() # 第二步去除重复订单保留第一条 orders orders.drop_duplicates(subset[order_id], keepfirst).copy() # 第三步时间字段解析并筛选Q4 orders[pay_time] pd.to_datetime(orders[pay_time]) orders[pay_month] orders[pay_time].dt.to_period(M) q4_orders orders[orders[pay_month].isin([2020-10, 2020-11, 2020-12])] # 第四步按用户聚合GMV user_gmv ( q4_orders.groupby(user_id)[pay_amount] .sum() .reset_index() .rename(columns{pay_amount: gmv}) ) # 第五步降序取前100 top100 user_gmv.sort_values(gmv, ascendingFalse).head(100) # 第六步关联用户注册日期 result top100.merge(users, onuser_id, howleft) result result[[user_id, gmv, register_date]]这段代码看起来平平无奇但每一行都有讲究。第二行的drop_duplicates用的是order_id做去重键不是user_id也不是全部字段为什么因为同一笔订单可能在明细表里冗余多条记录但order_id是唯一标识。如果按全部字段去重碰到同一订单恰好所有字段都一样的情况就达不到去重效果了但业务上一般不至于出现完全相同字段的两行所以按order_id是稳妥的。另外在groupby之前做去重和在groupby之后做去重结果完全不同必须先洗后聚。3.3 为什么很多人在这里丢分这道题的丢分点一来是不清楚pandas中dt.to_period和dt.month的区别二来是对merge逻辑理解不透。先说时间筛选。很多人写成这样q4_orders orders[pd.to_datetime(orders[pay_time]).dt.month.isin([10, 11, 12])]这个写法在两个层面出错第一跨年了2021年10月的数据也会被算进去但题目要求的是2020年Q4第二pd.to_datetime是对整个Series操作这里没有覆盖赋值后面再用orders[pay_time]还是字符串容易在后续报错。正确的是先解析一遍转成datetime类型再提取年月。再说merge。users表里user_id如果存在重复top100关联时就会出现一对多行数膨胀输出结果比100行多。真实环境里用户注册表一般不会重复但笔试为了严谨事先在草稿纸上确认主键永远是加分项。我在代码里用了howleft就是为了保住top100的完整性哪怕有个别用户在users表里找不到也不该被丢掉。3.4 这个场景还能怎么扩展考原题后面有没有隐藏追问我之前推测是有的后来在和一起教研的前辈讨论中发现确实存在一个扩展问如果希望知道每个用户的GMV在全体用户中的排名百分比排名怎么做这个用rank方法就能解决。user_gmv[gmv_pct_rank] user_gmv[gmv].rank(pctTrue)补充这个点是想提醒大家Pandas题的考察重点从来不是“会不会调API”而是“数据处理的顺序意识”和“对异常情况的预判”。如果笔试时间富余你可以顺手加一行注释说明自己为什么先过滤退款、为什么按order_id去重这种习惯非常加分。4. 统计概率编程题期望公式推导与蒙特卡洛验证4.1 一道让人摸不着头脑的概率题第三道题在整套卷子里风格最跳跃很多备战同学会在它上面卡住。题面大意是还原模拟题某电商平台做抽奖活动用户每次点击抽奖按钮中奖概率为0.1每次抽奖相互独立。现在有10万用户参与每人抽10次。请估算中奖次数大于等于3次的用户数。乍一看像是概率论考试但这是笔试题你需要在限定时间内写出代码来解答。很多同学第一反应是套二项分布公式写出一大堆阶乘、组合数结果算到一半发现环境里根本没有科学计算库或者压根忘了公式。这时候可以换个思路用Python直接模拟几行代码就能给出足够精确的估算值。4.2 二项分布公式推导说句实话公式法也是完全可行的毕竟每次抽奖独立、中奖概率固定每人抽10次就是典型的二项分布。单人中奖次数X符合二项分布B(10, 0.1)要求的是P(X3)那么先用补事件公式简化P(X3) 1 - P(X0) - P(X1) - P(X2)具体算的话P(X0) C(10,0) * 0.1^0 * 0.9^10 0.9^10 ≈ 0.348678P(X1) C(10,1) * 0.1^1 * 0.9^9 ≈ 0.387420P(X2) C(10,2) * 0.1^2 * 0.9^8 ≈ 0.193710所以P(X3) ≈ 1 - 0.348678 - 0.387420 - 0.193710 ≈ 0.0702。最后乘10万用户估算中奖次数大于等于3次的用户数约为7020人。这个推导没有任何难度但笔试题要求的是代码。在手写公式的同时用代码完成一次验证可以让你的答案更加无懈可击这就来到了蒙特卡洛模拟。4.3 蒙特卡洛模拟的代码实现import random def estimate_probability(trials100000, users100000): 蒙特卡洛模拟模拟 users 个用户每人抽 10 次 统计中奖次数 3 的用户比例 hit_count 0 p 0.1 n_draws 10 for _ in range(users): prize_times 0 for _ in range(n_draws): if random.random() p: prize_times 1 if prize_times 3: hit_count 1 prob hit_count / users expected_users prob * users return prob, expected_users random.seed(42) prob, expected_users estimate_probability() print(fP(X3) ≈ {prob:.4f}) print(f估算人数 ≈ {expected_users:.0f})跑出来的结果会在0.069到0.071之间浮动和公式算出来的0.0702非常接近。随机种子固定之后结果可以复现这一点在笔试里很加分。蒙特卡洛的核心逻辑就是每次抽奖用random.random()生成一个0到1之间的均匀随机数小于0.1就代表中奖。把10次抽奖作为一组判断这组里中奖次数是否达到3次最后统计占比。有人会问直接套公式不是更快吗为什么还要大费周章写模拟其实你只要真实笔试现场待过就知道紧张状态下公式经常忘但random库几乎是本能反应级别的东西而且模拟代码的每一步都有直观含义就算结果有微小偏差面试官也能一眼看懂你的思路。正因如此如果你想提前验证自己推导的公式是否正确写个模拟永远是最稳的兜底手段。4.4 概率统计笔试题的两个进阶方向去年开始一些大厂开始在概率题上增加“用代码验证结论”的要求不再满足于背公式。比如追问如果中奖概率不是0.1而是按照用户等级变化普通用户0.05VIP用户0.2在只知道总用户中VIP占比20%的情况下估算结果应该怎么改这时公式法要先做全概率公式展开而模拟法只需根据用户等级生成不同概率的随机数代码几乎不用重写。这种灵活性是模拟法最大的优势我建议大家在准备阶段一定要彻底掌握。5. 笔试高频踩坑点与答题时间分配实战5.1 最常见的四类翻车现场刷题量上去了之后你会发现大家犯的错高度集中总结起来就四大类。第一类是“审题太快口径跑偏”。“复购用户”到底是当月买两次还是历史买过两次以上季度GMV包不包含退款前数据题目里已经写清楚了但考场上人一急就按自己脑补的来结果答案和样例输出对不上。这种分丢得最冤。第二类是“拿到了数据先不观察拿起键盘就写”。数据分析岗位的笔试题在牛客这类平台上一般会提供测试数据你先打印前几行看下字段类型和空值情况成本极低收益极高。我见过直接对字符串时间做groupby本来以为稳了结果输出一坨乱码的例子就是典型的不做数据探查。第三类是“不会用窗口函数遇到取每个分类topN的题还在join自己”。在SQL里取每个月的GMV top10商品是最常见的需求但实现方式选择直接影响正确率和代码可读性。row_number() over(partition by month order by gmv desc)一行解决的事有人用自连接绕了七八行还绕出个笛卡尔积。第四类是“Python题不写注释变量名全是a、b、c”。笔试环境没法跟面试官实时解释注释就是你表达思路的唯一途径。我每次批改模拟卷看到这种代码都头大就算结果对了也会觉得候选人代码交付习惯不好。5.2 时间分配的一个可靠策略90分钟做三道题怎么分配我给你一套经过多人验证的节奏前5分钟通读三道题快速判断每道题的难度和熟悉度。70分钟按题目顺序做控制在每道20到25分钟。先保证SQL、Pandas这两道必拿分的题稳稳过样例。最后15分钟统一检查。重点看日期边界、退款标记、输出列名顺序、数值精度。这套节奏的关键点是“不要在一道题上恋战”。如果统计概率题公式忘了模拟代码一时也卡住可以先跳过回头再看保证前面两道题拿到80%的分数比最后一道题拿满分更有价值。5.3 提交前必做的五步自查我根据自己多年的笔试经验整理了一个提交前检查清单你可以直接背下来[ ] 输出字段名、字段数量、字段顺序是否和题目要求一致很多Oj系统按列名匹配多一列都会报错。[ ] 是否有硬编码了题目里没有出现的数值。[ ] 日期筛选是否包含正确的时间跨度有没有出现“2020-12-31”当右边界的问题。[ ] join之后行数是否膨胀去重逻辑是否在正确位置执行了。[ ] 是否处理了潜在的NaN值尤其是在用户关联不到注册信息时。养成这套检查习惯之后我帮不同基础的同学模拟测试过平均能减少20%左右的低级错误效果相当明显。6. 备战路径与复盘技巧6.1 刷题的直接价值不在量而在覆盖度数据分析岗的笔试题目说来说去就那么几个业务场景订单、用户、商品、流量。刷题的时候不建议海量刷乱七八糟的题而是把几个核心场景刷透每个场景下的SQL题至少会写三四遍不同的解法。本周能把复购率用三种方案做出来下周考试时无论题目换个什么说法你都能一眼看到本质。对于某电商平台2021这套笔试题我建议你把复购、留存、GMV分层、二项分布模拟这四个考点作为必修模块每个模块都做到“不看笔记能独立写出代码”的程度。6.2 模拟真实环境比单纯看题重要十倍我陪人备战的时候经常说一句话“看题看懂了和能上手写出来之间隔着一道巨大的墙。”建议每周至少抽两个完整时间段按照笔试的时间限制和题型分布完整模拟一次。环境方面SQL就找一个支持窗口函数的在线环境Python就用本地的notebook。重点不是得分而是要习惯限时状态下“写完代码立刻自查”的节奏感。还有一个非常有效的办法把每次模拟时犯错的地方记成错题本不用记题目本身只要记“我在哪个环节出了问题”。比如“日期字段忘了先to_datetime”写下来考前翻一遍能起到很好的警示作用。很多时候你笔试翻车不是因为不会而是因为犯过的错又犯了一遍。6.3 复盘的时候要还原审题动作题目改完不是终点复盘才是涨分的关键环节。我要求学生复盘时回答三个问题这题审题时哪几个词最关键我的第一步为什么放在那儿而不是别的位置如果数据量扩大100倍我的代码还能跑吗第一个问题训练的是抓口径能力。比如“2020年每个自然月内”和“最近12个月滚动计算”是两种完全不同的需求审题时看不出来代码就是白写。第二个问题训练的是工程思维很多人写代码是“想到了就往上堆”复盘时还原一下决策过程你会发现绝大多数步骤都有更优顺序。第三个问题虽然笔试一般不直接考但从长远来看决定了你是否具备解决真实问题的水平。结尾写到这儿这套2021年某电商平台数据分析岗笔试题的核心内容就算复盘完了。我个人在实际带人刷题的过程中最大的体会是笔试真正筛掉的往往不是技术差的人而是准备方向错的人。SQL、Pandas、统计模拟这三个板块看似彼此独立底层共通的能力却是相通的把一个模糊的业务问题翻译成清晰的数据处理步骤。很多同学刷题时只盯着“这道题的答案是什么”从没想过“出题人想让我展示什么”这种习惯带到考场上最容易在变动题型面前乱了阵脚。如果你手头正好在备大厂数分岗我建议你把这篇文章里的三道题按原题时间限制完整做一遍然后再去做一套其它年份的真题对比一下自己的错题类型是否重叠。最后再分享一个小技巧不管笔试结果如何尽量把当天写过的代码保存下来过一周回头用“如果数据量大十倍”的标准重写一遍坚持三个月你的处理数据思路会比别人刷两百道题还要清晰。