数据分析师常见的10道面试题精选 .pdfVIP

数据分析师常见的10道面试题精选--第1页

数据分析师常见的10道面试题（2）

然后将这40亿个数分成两类:

1.最高位为0

2.最高位为1

并将这两类分别写入到两个文件中，其中一个文件中数的个数

=20亿，而另一个=20亿(这相当于折半了);

与要查找的数的最高位比较并接着进入相应的文件再查找

再然后把这个文件为又分成两类:

1.次最高位为0

2.次最高位为1

并将这两类分别写入到两个文件中，其中一个文件中数的个数

=10亿，而另一个=10亿(这相当于折半了);

与要查找的数的次最高位比较并接着进入相应的文件再查找。

…….

以此类推，就可以找到了,而且时间复杂度为O(logn)，方案2完。

附：这里，再简单介绍下，位图方法：

使用位图法判断整形数组是否存在重复

判断集合中存在重复是常见编程任务之一，当集合中数据量比较

大时我们通常希望少进行几次扫描，这时双重循环法就不可取了。

位图法比较适合于这种情况，它的做法是按照集合中最大元素

max创建一个长度为max+1的新数组，然后再次扫描原数组，遇到

几就给新数组的第几位置上1，如遇到5就给新数组的第六个元素置1，

这样下次再遇到5想置位时发现新数组的第六个元素已经是1了，这

说明这次的数据肯定和以前的数据存在着重复。这种给新数组初始化

时置零其后置一的做法类似于位图的处理方法故称位图法。它的运算

次数最坏的情况为2N。如果已知数组的最大值即能事先给新数组定长

的话效率还能提高一倍。

欢迎，有更好的思路，或方法，共同交流。

8、怎么在海量数据中找出重复次数最多的一个?

数据分析师常见的10道面试题精选--第1页

数据分析师常见的10道面试题精选--第2页

方案1：先做hash，然后求模映射为小文件，求出每个小文件中

重复次数最多的一个，并记录重复次数。然后找出上一步求出的数据

中重复次数最多的一个就是所求(具体参考前面的题)。

9、上千万或上亿数据(有重复)，统计其中出现次数最多的钱N个

数据。

方案1：上千万或上亿的数据，现在的机器的内存应该能存下。所

以考虑采用hash_map/搜索二叉树/红黑树等来进行统计次数。然后

就是取出前N个出现次数最多的数据了，可以用第2题提到的堆机制

完成。

10、一个文本文件，大约有一万行，每行一个词，要求统计出其

中最频繁出现的前10个词，请给出思想，给出时间复杂度分析。

方案1：这题是考虑时间效率。用trie树统计每个词出现的次数，

时间复杂度是O(n*le)(le表示单词的平准长度)。然后是找出出现最频

繁的前10个词，可以用堆来实现，前面的题中已经讲到了，时间复杂

度是O(n*lg10)。所以总的时间复杂度，是O(n*le)与O(n*lg10)中较

大的哪一个。

附、100w个数中找出最大的100个数。

方案1：在前面的题中，我们已经提到了，用一个含100个元素

的最小堆完成。复杂度为O(100w*lg100)。

方案2：采用快速排序的思想，每次分割之后只考虑比轴大的一部

分，知道比轴大的一部分在比100多的时候，采用传统排序算法排序，

取前100个。复杂度为O(100w*100)。