数据科学家面试，我被问到这六个问题

近年来，数据科学实现跨越式发展。因此，数据科学家的需求大幅增加，许多人转行从事该领域的工作。

这一系列事件都不得不经历一个流程—面试。只有雄心抱负，你是无法找到心仪的工作的。要想成为一名合格的数据科学家候选人，你需要掌握一系列的技能。

数据科学是一个跨学科领域，因此所需的技能并不集中在某个主题上。在本文中，我将分享在数据科学家面试中经常出现的 6 个问题。如果你想了解更多数据分析相关内容，可以阅读以下这些文章：
算法基础——10个常见编程面试题
如何征服数据科学面试中的Python编程考试
数据科学面试中Product Sense问题，怎么完美解答？
如何回答ML机器学习的面试问题?

我选择的问题涵盖了不同的主题，这样你就可以大致了解在数据科学家的面试中会出现哪些问题，主要涉及Python、机器学习、SQL和数据库。

同时，本文还包含问题答案，从广泛的意义上讨论这些主题。

问题 1：L1 和 L2 正则化技术是什么，有什么区别？

在机器学习中，当模型尝试拟合训练数据，导致无法推广到新的观察结果，就会出现过度拟合。过度拟合模型捕捉训练数据中的细节和干扰项，而非总体趋势。因此，过度拟合的模型虽然在训练数据上表现非常出色，但在原来无法看到的新观察结果上表现不佳。过度拟合出现的主要原因是模型的复杂性。

正则化（Regularization）通过惩罚模型中的较高项，控制模型的复杂性。如果在模型中添加正则化项，则可以尽量减少模型的损失和复杂性。

导致模型复杂的两个主要原因是：

• 特征的数量（由 L1 正则化处理），或
• 特征的权重（由 L2 正则化处理）

L1 正则化，也称为稀疏性正则化（Regularization for Sparsity），用于处理主要由零组成的稀疏向量。L1 正则化通过在每次迭代时从权重中减去一部分，从而迫使无信息特征的权重等于零，最终使权重等于零。

L2 正则化，也称为简化正则化（Regularization for Simplicity），迫使权重趋于零，但并完全等于零。L2正则化就像一个力，在每次迭代中减去一小部分权重。因此，权重永远不会等于零。如果我们将模型复杂度视为权重的函数，那么特征的复杂度与其权重的绝对值成正比。

总的来说，L1 正则化惩罚的是 |权重|，而 L2 正则化惩罚的是 (权重)²。

问题2：分类（Classification）和聚类（Clustering）有什么区别？

分类和聚类是两种不同的机器学习任务。

分类（Classification）是一种监督式学习任务。分类任务中的样本有标签。每个数据点都根据测量进行分类。分类算法试图根据样本的测量值（特征）与其指定类别之间的关系进行建模。然后，将该模型用于预测新样本类别。

聚类（Clustering）是一项无监督式学习任务。聚类中的样本没有标签。该模型用于在数据集中找到结构，以便将相似的样本分组到集群中，从而标记样本。

问题 3：假设有一个元组列表，如何根据元组中的第二项对列表进行排序？

这是一个编程问题。我们最经常使用Python。我们有以下元组列表，需要根据元组中的第二项进行排序。

list_a = [('a', 2), ('b', 3), ('c', 1), ('d', 6), ('e', 5)]

我们有两个方法可选。第一个选项是返回原始列表的排序版本，这样原始列表不会被修改。

#First option
list_a = [('a', 2), ('b', 3), ('c', 1), ('d', 6), ('e', 5)]
sorted_list = sorted(list_a, key = lambda tpl: tpl[1])
print(sorted_list)
[('c', 1), ('a', 2), ('b', 3), ('e', 5), ('d', 6)]
print(list_a)
[('a', 2), ('b', 3), ('c', 1), ('d', 6), ('e', 5)]

第二个选项是就地排序，意味着原始列表将被修改。

#Second option
list_a = [('a', 2), ('b', 3), ('c', 1), ('d', 6), ('e', 5)]
list_a.sort(key = lambda tpl: tpl[1])
print(list_a)

问题 4：Python 中的“yield”关键字有什么用？

在 Python 中，如果我们可以用循环或推导式（例如列表、字典）迭代元素，那么该对象就是可迭代对象。

生成器是一种特定的可迭代器。生成器不会将值存储在内存中，因此，我们只能迭代一次。这些值是在迭代时生成的。

yield 关键字可以用作函数中的返回关键字。不同之处在于，如果使用 yield 关键字而非 return，那么该函数将返回一个生成器。

当该函数返回一组只会被使用一次的值时，证明该函数非常有用、高效。

当一个函数包含 yield 关键字，该函数就变成了生成器函数。换句话说，yield 将函数转换为生成器，以便逐个返回值。

问题 5：什么是数据库中的规范化（Normalization）和非规范化（Denormalization）？

两者都是在设计数据库时使用的技术。

规范化的目标是减少数据冗余和数据不一致。表的数量随着规范化而增加。

非规范化的目标是通过添加冗余，更快地运行查询。表的增加数量低于规范化技术。

假设我们在为零售业务设计数据库。存储的数据包含客户数据（姓名、电子邮件地址、电话号码）和购买数据（购买日期、购买金额）。

规范化技术建议使用单独的表存储客户数据和购买数据。这些表可以通过使用外键(如客户ID)进行关联。在这种情况下，当客户数据（例如电子邮件地址）出现更新，我们只需更新客户表中的一行。

非规范化技术建议将所有数据放在表中。当需要更新客户的电子邮件地址，我们需要更新包含该客户购买的所有行。与规范化相比，非规范化的优点是可以更快地运行查询。

问题 6：SQL 查询

你很有可能会遇到有关 SQL 查询的问题。如果在面试官要求你根据给定的查询，编写 select 语句，从表中检索数据。

假设我们有以下项目表。

mysql> select * from items limit 5;
+---------+--------------+-------+----------+
| item_id | description  | price | store_id |
+---------+--------------+-------+----------+
|       1 | apple        |  2.45 |        1 |
|       2 | banana       |  3.45 |        1 |
|       3 | cereal       |  4.20 |        2 |
|       4 | milk 1 liter |  3.80 |        2 |
|       5 | lettuce      |  1.80 |        1 |
+---------+--------------+-------+----------+

查找每家商店商品的平均价格，并按平均价格对结果进行排序。我们可以通过将 avg 函数应用于价格列，并按商店 ID 对值进行分组，解决这个问题。通过在末尾添加order by 子句，对商店进行排序。

mysql> select avg(price), store_id
    -> from items
    -> group by store_id
    -> order by avg(price);
+------------+----------+
| avg(price) | store_id |
+------------+----------+
|   1.833333 |        1 |
|   3.650000 |        3 |
|   3.820000 |        2 |
+------------+----------+

结论

以上都是我在面试中实际被问到的问题。你可能不会遇到一样的问题，但主题基本上都一样。

需要注意的是，这些问题可能来自不同的领域。这也表明对数据科学家的不同要求。拥有多种技能将帮助你在竞争激烈的就业市场中领先一步。

感谢你的阅读。如果你有任何反馈，请在评论中告诉我。请继续关注即将发布的文章！你还可以订阅我们的YouTube频道，观看大量数据科学相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/

原文作者：Soner Yidirim
翻译作者：Lia
美工编辑：过儿
校对审稿：Jiawei Tong
原文链接：https://towardsdatascience.com/6-questions-i-was-asked-at-data-scientist-interviews-39a095d87c6c