[面试经验] FB data scientist, analytics 电面

面试几乎和 一模一样。



1.SQL.鏈?枃鍘熷垱鑷�1point3acres璁哄潧
table:
date | u1 | u2 | n_msg
每行是一对unique user pair之间在某天发的消息数量

您好！
本帖隐藏的内容需要积分高于 188 才可浏览
您当前积分为 0。
使用VIP即刻解锁阅读权限或查看其他获取积分的方式

游客，您好！
本帖隐藏的内容需要积分高于 188 才可浏览
您当前积分为 0。
VIP即刻解锁阅读权限 或 查看其他获取积分的方式
Unlock interview details and practice with AI
Curated Interview Questions from Top Companies
design，答的时候不知道怎么样朝那个方向靠，感觉这个并不涉及A/B testing啊。印度小哥会一直问这个metric具体怎么定义，为什么用这个metric，它变高的是个good sign吗？你觉得还有哪些metric，你提出来的metric1，会影响metric2吗，为什么？

正在准备面试，所以把自己的答案写一下，有错的话请大家一定要指出来啊！多谢！
（2）写个query得到某一天用户发消息朋友数量的distribution，就是output出两列，X: number of unique contacts for each user; Y: number of user with this many contacts。问你觉得这个distribution会长什么样子

1. select histo.cnt_contact as cnt_contact,
   
2.   count(histo.userid) as cnt_users
   
3. from
   
4. (
   
5.   select
   
6.         tall.u1 as userid,
   
7.     count(*) as cnt_contact
   
8.   from
   
9.   (
   
10.     select t1.u1 as u1, t1.u2 as u2
    
11.     from contact t1
    
12.     union all
    
13.     select t2.u2 as u1, t2.u1 as u2
    
14.     from contact t2
    
15.   ) tall
    
16.   group by tall.u1
    
17. ) histo
    
18. group by histo.cnt_contact
    
19. order by count(histo.userid)

复制代码

3。 SUM(n_msg_with_top_partner)/SUM(all_messages_with_all_contacts），sum over all users

1. select
   
2.         tmax.userid,
   
3.         tmax.friendid,
   
4.         pct = tmax.n_msg / sum(tmax.n_msg ) over( partition by tmax.userid)
   
5. from
   
6. (
   
7.         select
   
8.                 userid = tcnt.userid,
   
9.                 friendid = tcnt.freindid,
   
10.                 n_msg = tcnt.n_msg,
    
11.                 rnk = ROW_NUMBER() over (partition by tcnt.userid order by tcnt.cnt_contact desc)
    
12.         from
    . From 1point 3acres bbs
13.         (
    
14.           select
    
15.                 tall.u1 as userid,
    
16.                 tall.u2 as freindid,
    
17.                 tall.n_msg as n_msg
    
18.           from
    
19.           (
    
20.                 select t1.u1 as u1, t1.u2 as u2, t1.n_msg
    
21.                 from contact t1
    
22.                 union all
    
23.                 select t2.u2 as u1, t2.u1 as u2, t2.n_msg
    
24.                 from contact t2
    
25.           ) tall
    
26.         ) tcnt
    
27. ) tmax
    
28. group by tmax.userid
    
29. having tmax.rnk = 1

复制代码

（非米DA）
1-2, 这种distribution大多数情况都是接近于指数分布的形状吧

2 会根据当期的目标和整体产品战略具体制定。
但你可以优先用第一问的数据来答啊。
可能的metrics比如说
用来利用网络的密度的(用第一问的数据)
- pair count的各qunatile的时间推移
- new pairs的产生数量的时间推移
用来观测用户利用率的：
- msg_dau / (fb_+msg_dau)
用来观测用户数的:
- msg_uu / goal_uu
- msg_mau / msg_last_mau
用来观测产品的渗透度的
- 利用时长的各quantile的时间推移
- 有利用的hour数的各quantile的时间推移

修改后的第3问

1. drop table contact
   
2. create table contact(
   
3.         u1 int,
   
4.         u2 int,
   
5.         n_msg int
   
6. )
   
7. insert contact (u1, u2, n_msg) values
   
8. (1,2, 1), (1,3, 2), (1, 4,6),
   
9. (2,1, 3), (2,3, 2), (2,4, 5),
   
10. (3,1, 2), (3,2, 3)
    
11. 
    -baidu 1point3acres
12. 
    
13. select userid, friendid, n_msg, sum_msg, pct
    
14. from
    
15. (
    
16.         select
    
17.                 tmax.userid,
    
18.                 tmax.friendid,
    
19.                 tmax.n_msg,
    
20.                 sum_msg = sum(tmax.n_msg ) over( partition by tmax.userid),
    
21.                 pct = (tmax.n_msg + 0.0) / sum(tmax.n_msg ) over( partition by tmax.userid),
    
22.                 tmax.rnk
    
23.         from
    
24.         (
    
25.                 select
    
26.                         userid = tcnt.userid,
    
27.                         friendid = tcnt.freindid,
    
28.                         n_msg = tcnt.n_msg,
    
29.                         rnk = ROW_NUMBER() over (partition by tcnt.userid order by tcnt.n_msg desc)
    
30.                 from
    
31.                 (
    -baidu 1point3acres
32.                   select
    
33.                         tall.u1 as userid,
    
34.                         tall.u2 as freindid,
    
35.                         sum(tall.n_msg) as n_msg
    
36.                   from
    
37.                   (
    
38.                         select t1.u1 as u1, t1.u2 as u2, t1.n_msg
    
39.                         from contact t1
    
40.                         union all
    
41.                         select t2.u2 as u1, t2.u1 as u2, t2.n_msg
    
42.                         from contact t2
    
43.                   ) tall
    
44.                   group by tall.u1, tall.u2
    
45.                 ) tcnt
    
46.         ) tmax
    
47. ) tt
    
48. where tt.rnk = 1

复制代码

弄下来感觉挺啰嗦的。。。求大神指点

hi，lz 请问下你有几年经验？想看下fb 的ds社招大概要几年经验可以拿到面试。谢谢！

renewu427 发表于 2017-11-21 10:34
hi，lz 请问下你有几年经验？想看下fb 的ds社招大概要几年经验可以拿到面试。谢谢！

我一年经验

select

补充内容 (2017-11-22 12:18):
不好意思发错了

刚才手抖给发错了，lz看一下我这个query写的对不？Select num_contact, count(*) as freq from( Select id, sum(ct) as num_contact from( Select u1 as id, count(distinct u2) as ct from table group by 1 Union all Select u2 as id, count(distinct u1) as ct from table group by 1) inq Group by 1) inq_0 Group by 1 Order by 1

Alice007 发表于 2017-11-22 12:18
刚才手抖给发错了，lz看一下我这个query写的对不？Select num_contact, count(*) as freq from( Select id, ...

感觉也许不需要最里面嵌套的union all, 因为另一个帖子里说过，unique user a, user b, 如果a给b发消息，只会出现一次，所以不需要vertical join吧。

补充内容 (2017-11-22 21:44):
我错了，，，仔细想了一下，确实需要union all.....

补充内容 (2017-11-22 21:44):
我错了，，，仔细想了一下，确实需要union all.....

补充内容 (2017-11-22 21:44):
我错了。。又想了一下，确实需要union all

April_tzy 发表于 2017-11-22 21:41
感觉也许不需要最里面嵌套的union all, 因为另一个帖子里说过，unique user a, user b, 如果a给b发消息， ...

嗯，fb面试就那么几个题目，然后不同变种，感觉了解好数据以及之间的逻辑是关键！另外地里的回帖功能需要提高啊，自己连改贴都不行

第三个sql题目：
请lz/层主们帮忙看看对不对哈

Select sum(case when rk = 1 then n_msg else 0 end)/(select sum(n_msg) from table)
from
Select rank() over(partition by u1 order by n_msg desc) as rk,
n_msg
from(
Select * from table
. Waral dи,Union
Select u2 as u1, u1 as u2, n_msg
From table) inq

Alice007 发表于 2017-11-23 00:49
嗯，fb面试就那么几个题目，然后不同变种，感觉了解好数据以及之间的逻辑是关键！另外地里的回帖功能需要 ...

是的。。。而且我第一次第二次补充，说系统错误。我就发了第三次，结果一刷新，三次都在。。。。无语了。哈哈。

谢谢楼主，今天店面就是这个题目， 一模一样