跳转至

📋 数据科学高频面试题清单

用法:能独立讲清的题打勾 - [x];"讲不清/没推导过"的标 ⏳,优先补齐。 打勾标准:不看资料,能现场写出公式、讲出流程、说出适用场景。 覆盖岗位:数据科学 / 数据挖掘 / 推荐搜索(实验评估侧)/ 增长 / AI 应用。

1. 统计基础与推断

📍 教学 → 00-统计推断与假设检验.ipynb

  • [ ] 描述统计:均值/中位数/众数、方差/标准差、偏度/峰度;什么时候中位数比均值更合适(长尾/离群)
  • [ ] 分位数与箱线图:IQR 定义、1.5×IQR 离群判定、分位数的插值计算
  • [ ] 抽样分布与标准误:SE = σ/√n 的推导直觉;标准误与标准差的区别
  • [ ] 中心极限定理(CLT):陈述、成立条件(iid、有限方差)、对重尾分布的表现;为什么实际数据常"近似正态"
  • [ ] 点估计与区间估计:MLE 直觉、无偏/一致/有效;置信区间的频率学派正确解释
  • [ ] 95% 置信区间的常见误解(它不是"真值有 95% 概率落在这个区间")
  • [ ] z 检验 vs t 检验:σ 已知/未知、样本量、正态性——各自适用条件与自由度
  • [ ] 单样本 / 双样本 / 配对检验的选型与自由度计算
  • [ ] p-value 的数学定义与三大误解(不是 H0 为真的概率、不度量效应大小、不保证可复现)
  • [ ] 第一类/第二类错误:α、β、显著性水平与检验功效的权衡
  • [ ] 检验功效 power = 1−β:与 α、样本量、效应量、方差的关系;功效不足的后果
  • [ ] 卡方检验:独立性/拟合优度/齐性检验,期望频数 ≥5 的近似条件
  • [ ] ANOVA:组间/组内方差、F 统计量、与 t 检验的关系(两组时 F = t²)、事后检验(Tukey)
  • [ ] 多重比较问题:为什么两两检验会膨胀假阳性;Bonferroni 与 BH-FDR 的原理对比与取舍
  • [ ] bootstrap:原理、与解析方法(t 检验)的对比、常见应用场景
  • [ ] 正态性检验(Shapiro-Wilk、QQ 图)与数据变换(log、Box-Cox);大样本下能否放弃正态假设
  • [ ] 效应量与 p 值的关系:p < 0.05 但效应很小意味着什么;统计显著 vs 业务显著
  • [ ] 为什么样本量很大时 p 值"容易显著",此时应怎么下结论

2. AB 实验

📍 教学 → 01-AB实验设计与评估.ipynb

  • [ ] 完整 AB 实验流程:假设 → 指标 → 样本量 → 分流 → 运行 → 分析 → 决策,各环节质量关卡
  • [ ] 实验指标设计:主指标 / 护栏指标 / 反向指标;为什么不只看一个指标
  • [ ] 样本量公式:两样本均值比较 n = 2σ²(z_{α/2}+z_β)² / δ²,各符号含义;比例指标版本
  • [ ] 最小可检测效应(MDE):定义、如何结合业务设定、与样本量的关系
  • [ ] 随机化单位选择(用户/设备/行为),同用户多次曝光如何保证独立
  • [ ] 分层随机(stratified)的作用与适用场景;层化与 CUPED 的联系
  • [ ] 互斥实验与正交/重叠实验框架(Google 重叠实验平台思路),为什么实验组之间要互斥
  • [ ] AA 检验:目的、做法与通过标准;失败的可能原因(分流不均/数据质量问题)
  • [ ] SRM(样本比例不匹配):检测方法(卡方)、常见诱因(埋点丢失/时间窗口截断/用户跃迁)、对结论的影响
  • [ ] 显著性检验方法选型:z/t 检验、置换检验、非参(Mann-Whitney U);ratio 指标(人均/ARPU)为什么不能直接 t 检验
  • [ ] 连续监控(peeking)为什么导致假阳性膨胀(等价于多重比较)
  • [ ] 修正方案:固定样本量 / alpha spending / 序贯检验(sequential testing)直觉
  • [ ] p-hacking 与事后子群体分析(subgroup analysis)的风险
  • [ ] 报告实验结果的正确姿势:点估计 + 置信区间,而非只报 p 值
  • [ ] CUPED 原理:协变量校正估计量 Ŷ_adj = Ȳ − θ(X̄ − μ_X),θ = Cov(X,Y)/Var(X),为什么能降方差、适用条件
  • [ ] 其他方差缩减手段:层化、CUPAC/带 ML 协变量、双重稳健(doubly robust)直觉
  • [ ] GAUC:为什么全局 AUC 会被流量占比/头部用户带偏;按分组加权 AUC 的计算
  • [ ] 辛普森悖论在 AB 实验中的表现(整体负、分组全是正)与处理(层内估计/加权)
  • [ ] 实验未显著怎么办:功效不足 vs 真无效,如何用置信区间判断"不显著 ≠ 没效果"
  • [ ] 多臂老虎机(MAB)vs AB 实验:什么时候适合用 MAB 做探索,与固定样本实验的取舍

3. 因果推断

📍 教学 → 02-因果推断入门.ipynb

  • [ ] 相关 ≠ 因果:给出 3 个反例;混淆 / 反向因果 / 选择偏差三种机制
  • [ ] 潜在结果框架(Rubin):Y_i(1)、Y_i(0)、个体因果效应为何不可观测(反事实缺失)
  • [ ] ATE / ATT / ATU 定义与业务含义(策略优化/增长更关心哪一个)
  • [ ] SUTVA 假设:无干扰与一致性,违背的实例(污染、干扰)
  • [ ] 混淆变量与 DAG:后门路径直觉;为什么随机化能切断混淆路径
  • [ ] 因果识别的两个核心假设:无混淆性(可忽略性)与重叠假设(overlap/positivity)
  • [ ] 为什么随机实验是因果推断的黄金标准;观察性数据做因果为何困难
  • [ ] PSM:倾向得分 e(x) = P(T=1|X)、匹配流程、平衡性检验(SMD < 0.1)、局限(只能控制可观测混淆)
  • [ ] IPTW:权重 1/e(x) 与 ATT 权重 e(x)/(1−e(x))、稳定权重、权重极端值问题
  • [ ] 精确分层 vs 匹配 vs 加权:各自思想与适用场景
  • [ ] DID:两期两组差分估计量推导、平行趋势假设、为什么能消掉时间不变混淆(固定效应)
  • [ ] 平行趋势的检验(安慰剂检验/事件研究)与 DID 的威胁(交错处理、选择进入时机)
  • [ ] RDD:断点附近局部随机化直觉、局部平均处理效应(LATE)的解释、带宽选择
  • [ ] IV:工具变量三条件(相关性/外生性/排他性)、两阶段最小二乘直觉、弱工具变量
  • [ ] uplift 模型:为什么普通分类模型预测不了"增益"(转化用户 ≠ 被策略影响的用户)
  • [ ] S-Learner / T-Learner / X-Learner 直觉与优劣;uplift 评估(Qini 曲线 / AUUC)
  • [ ] 反事实:定义、在推荐/增长归因中的应用("如果不推这条会怎样")
  • [ ] 幸存者偏差与选择偏差如何扭曲数据分析结论(在线产品中的实例)

4. 业务指标与工程

📍 教学 → 03-数据科学面试八股与高频题.ipynb

  • [ ] 北极星指标(North Star Metric):选择标准(反映核心价值/可衡量/可驱动)、虚荣指标反例
  • [ ] OSM / 指标树:北极星指标如何逐层拆解到部门与功能(目标-策略-度量)
  • [ ] 漏斗分析:转化率定义、漏斗丢失定位、各层口径一致性
  • [ ] 留存分析:首次/N 日/滚动留存、同期群(cohort)分析,为什么必须看 cohort
  • [ ] AARRR 海盗指标:各层定义与数据埋点
  • [ ] AUC 在业务评估中的使用:排序能力 vs 绝对水平;什么时候改看 PR / GAUC
  • [ ] GAUC 的业务含义:按用户/场景分组的排序质量与加权方式
  • [ ] 指标口径:为什么分子分母必须写清(去重/时间窗口/人群范围);口径变更的管理流程
  • [ ] 埋点:事件/属性/公共参数设计;埋点正确性如何验证(埋点数据做 AA、与后端日志对账)
  • [ ] 长周期实验怎么做:代理指标、序贯检验、长期留存与 LTV 观测、增量实验(holdout)
  • [ ] 实验平台:分流服务、指标计算、显著性检测、SRM 监控、权限与回滚治理
  • [ ] 数据质量对实验结论的影响:缺失、延迟、重复上报如何扭曲显著性
  • [ ] 如何向业务方解释"显著但没业务意义"(统计显著 vs 业务显著的沟通)
  • [ ] 灰度发布 / 增量实验(holdout)与 AB 实验如何配合做最终上线决策

5. 手撕清单(进教学 Notebook)

📍 全部完成:00-统计推断与假设检验 · 01-AB实验设计与评估 · 02-因果推断入门

  • [ ] 双样本 t 检验:给出两组样本,手算 pooled 标准误与 t 统计量,与 scipy 结果对照并给出结论
  • [ ] 样本量公式:写出两样本均值比较的样本量公式 n = 2σ²(z_{α/2}+z_β)² / δ²,给定 α/β/σ/δ 算出 n,说明 MDE 含义
  • [ ] DID:手写倍分法估计量 (Ȳ_T,post − Ȳ_T,pre) − (Ȳ_C,post − Ȳ_C,pre),模拟数据跑通并做平行趋势/安慰剂检查
  • [ ] PSM:逻辑回归估计倾向得分 → 最近邻匹配 → 协变量平衡性检查(SMD)→ 匹配后 ATE,与朴素均值差对比
  • [ ] CUPED:手写协变量调整估计量 Ŷ_adj = Ȳ − θ(X̄ − μ_X),验证方差缩减比 1−ρ² 与检验功效提升

教程来源:Akun-python/autumn-recruitment。 MIT 许可证全文。