Facebook和Microsoft数据科学家面试,他们会问这些SQL问题

本文介绍了Facebook 和 Microsoft 面试中较难的 SQL问题之一，它测试你查找和细分用户、以及将聚合表连接在一起的能力。让我们模拟面试回答这些问题。

Facebook 和Microsoft的数据科学职位竞争激烈，职位难求。你在实际工作中处理的所有问题都包含SQL编写。在本文中，我们将逐步解决 Microsoft 和 Facebook 的数据科学面试中的SQL 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：
如何用数据分析优化你的营销策略？
电商零售业是怎么运用数据分析的？
Data in HR Management：商科社科人文科数据分析求职新方向–人力资源管理
如何在电商数据分析中做Customer Segmentation客户细分？

我们还会给你一些建议，帮助你在类似的数据科学面试中回答这些问题。

数据科学 SQL 面试问题

新用户和现有用户

计算新用户和现有用户的比例。输出月份、新用户比例和现有用户比例的比例。

新用户为当月开始使用服务的用户。现有用户是指当月使用服务、并在之前的月份也使用过服务的用户。

假设所有日期均来自 2020 年。

问题链接：https://platform.stratascratch.com/coding-question?id=2028

解决这个问题的5个步骤：

该框架可用于任何数据科学 SQL 面试问题。以下是你在面试或工作中解决问题时应该采取的步骤。

1. 探索数据

• a) 这只适用于工作时间，因为其余大多数时候，没有可操作的 IDEList 假设

2. 列出假设

• a) 列出假设可帮助你缩小解决方案空间，识别边缘情况、并将解决方案限制在假设范围内。

3. 列大纲法

• a) 分步骤写出来，列出大纲。每个步骤都是一个逻辑语句或商业规则。
• b) 与面试官确认这些步骤。通常，如果面试官发现问题，他们会提出来，这对你有好处，因为你可以在编写代码之前就解决问题。
• c) 如果你愿意，你还可以提及问题解决过程中使用的函数。

4. 增量开发

• a) 先按逻辑构建解决方案，并与每个部分进行沟通，这样面试官就知道你在做什么了。
• b) 你的代码需要合乎逻辑、且结构良好。最重要的，是每个“代码块”不要设置超过 1 个逻辑语句或业务规则。代码块可以定义为 CTE 或子查询，因为它是独立的，并且与其余代码分开。

5. 优化代码

• a) 这通常只出现在与面试官的对话中，但在工作中，如果代码重复使用，你通常会重构代码，让项目高效运行。

数据探索

表格架构：

数据集：

在我们探索数据时，我们可以看到：“time_id”是 YYYY-MM-DD 的形式，因此我们可以从该日期中提取月份，查找在给定月份使用服务的用户。

“user_id”是一个常规的用户列表，用于计算每月使用该服务的用户数量。

‘event_type’指的是服务类型。我们可以忽略此栏，因为我们考虑的是所有服务。在与面试官的假设中确认这一点很重要。如果你正在寻找特定的事件和服务，则需要在你的解决方案中使用此栏。在这里，我们不必这样做，否则解决方案会复杂得多。

假设

• Time_id 表示用户使用服务的时间。所有数据均来自 2020 年。这可以帮我们识别新用户和现有用户；
• User_id 是我们识别用户所需的全部内容；
• 每次用户使用服务时，它都会登录到表中，因此用户会在表中被多次列出；
• Event_type 是指服务类别，但解决方案不需要用到这一栏数据，因为我们考虑的是所有的服务或事件。

列大纲法

在开始编程之前，概述你的方法第非常重要的。将你的方法列出来，好处就是面试官可以确认你的方法是否正确。如果面试官发现你的方法或逻辑有问题，你就可以在编程之前纠正了。

现在，让我们整体过一下这个 SQL 问题的方案：

• 查找新用户，即首次开始使用服务的用户。我可以使用 min() 来查找用户首次使用服务的日期。
• 计算每月所有使用过服务的用户。减去新用户，就会得到现有用户的数量。
• 把每月新用户表和所有用户表join到一起。
• 通过将新用户数除以所有用户数来计算比例。计算现有用户的比例就是1与新用户比例的差。

增量开发

现在，你的方案应该具有以下步骤。编写代码，并在现有代码的基础上构建，然后检查每次添加逻辑时，查询是否都会运行。以下为详细步骤：

• 计算新用户数量
• 计算所有用户数量
• 连接表格
• 计算用户比例

让我们一步一步来。

1. 查找新用户，即首次开始使用服务的用户。

我们可以通过从每个用户的’ time_id ‘列中找到最小日期来找到新用户，从而找到他们开始使用服务的日期。

2. 从日期中提取月份，然后计算唯一的用户数，来计算每月新用户数。

要聚合每月用户，我们可以使用 date_part() 函数，并从“time_id”中提取月份。所有数据均来自 2020 年这一点是有用的，因为我知道所有月份也都来自 2020 年。如果我们在这个数据集中有来自不同年份的数据，则不能使用 date_part() ，因为来自不同年份的月份会混合在一起。我们必须使用 to_char() 函数并按 MM-YYYY 聚合数据。

3. 计算每个月的所有用户数（现有和新用户）

我们需要减去新用户数，得到现有用户数。

4.按月将两张表连接在一起

5. 计算用户比例

如果我们运行此查询，我们就可以得到每月新用户和现有用户比例。

输出结果：

这里需要注意的是，现有用户的计算可以通过从新用户的比例中减去 1 得到。此外，在执行除法之前，请记住将计算转换为小数或浮点的数据类型。

优化

有一个问题经常出现，那就是是否有方法可以优化我们的代码。面试官是在测试你的SQL理论，所以，即使没有办法优化代码，你也应该说点什么。

看一看我们的解决方案，是没有办法进一步优化这段代码的。

有的时候，你可以使用 case 语句省略join函数，但这在我们的方法中是无效的，因为我们需要确定整个数据集的最小日期，但case 语句会逐行进行。因此，你需要一个子查询或 CTE 来执行该操作。

你还需要执行相同的子查询/CTE 操作，来查找每月所有用户，因此我们无法优化该部分代码或两个子查询的join函数。

即使没有办法优化代码，但你仍然展示了一些关于SQL的知识，面试官将通过这方面评估对你对SQL理论的了解。

结论

这是一个非常硬核的数据科学SQL面试问题，因为你想要找到用户第一次使用服务的时间。并不是所有候选人都知道使用 min() 函数来识别新用户。你还需要使用高级 SQL 函数从日期字段中提取日期组件，例如月份，这让问题变得更加复杂。但在数据科学中，学习如何操纵数据是很有必要的，因为大多数分析都有数据部分。

这道数据科学中 SQL 面试问题，是通过使用框架来组织你的想法，因为其中的步骤非常多。一旦你成功列出假设，比如知道所有日期都是 2020 年，并且你的解决方案考虑了所有的服务问题，那这个问题就会变得更容易解决。你需要做的就是以合乎逻辑的步骤组织你的方法，简短地答出，并编写出代码。

在编程之前，练习构建框架并组织你的想法，那么在回答复杂问题时，你就会感觉轻松地多。

你可以关注我们的 Youtube 频道：观看更多数据科学相关讲座。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：Nathan Rosidi
翻译作者：Lia
美工编辑：过儿
校对审稿：Jiawei Tong
原文链接：https://towardsdatascience.com/facebook-and-microsoft-data-science-sql-interview-questions-175a3e0fdf43